基于支持向量机的带钢表面缺陷识别研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·课题的研究意义 | 第7页 |
| ·带钢表面缺陷识别国内外研究现状 | 第7-9页 |
| ·课题的来源 | 第9页 |
| ·课题主要研究内容 | 第9-11页 |
| 2. 缺陷区域分析 | 第11-26页 |
| ·区域算法流程 | 第11页 |
| ·图像预处理 | 第11-17页 |
| ·图像噪声的基本概念及来源 | 第11-12页 |
| ·对噪声的描述 | 第12页 |
| ·噪声的典型处理方法 | 第12-14页 |
| ·带钢缺陷滤波效果实例 | 第14-17页 |
| ·小结与分析 | 第17页 |
| ·缺陷边缘提取 | 第17-22页 |
| ·一阶边缘检测算子法 | 第17-19页 |
| ·Canny算子法 | 第19-21页 |
| ·二阶边缘检测算子法 | 第21-22页 |
| ·缺陷图像边缘检测实例 | 第22-24页 |
| ·小结与分析 | 第24-26页 |
| 3 缺陷特征提取与选择 | 第26-42页 |
| ·特征提取意义 | 第26页 |
| ·样本的选取 | 第26-28页 |
| ·基于Hu不变矩的特征提取 | 第28-33页 |
| ·Hu矩算法及其物理意义 | 第28-30页 |
| ·Hu不变矩的基本性质 | 第30-31页 |
| ·提取Hu不变矩缺陷特征实例 | 第31-33页 |
| ·几何特征提取 | 第33-34页 |
| ·提取缺陷图像几何特征实例 | 第33-34页 |
| ·缺陷灰度特征提取 | 第34-35页 |
| ·灰度特征描述 | 第34-35页 |
| ·提取缺陷灰度特征实例 | 第35页 |
| ·基于灰度共生矩阵的纹理特征提取 | 第35-38页 |
| ·纹理特征描述 | 第35-36页 |
| ·基于灰度共生矩阵的纹理特征提取 | 第36-38页 |
| ·提取缺陷纹理特征实例 | 第38页 |
| ·基于亮度直方图的纹理特征描述 | 第38-40页 |
| ·基于亮度直方图的纹理特征描述 | 第38-39页 |
| ·基于亮度直方图的纹理特征提取实例 | 第39-40页 |
| ·特征选择 | 第40-41页 |
| ·小结 | 第41-42页 |
| 4. 基于支持向量机的带钢表面缺陷识别技术 | 第42-64页 |
| ·支持向量机理论简介 | 第42-50页 |
| ·统计学习理论简介 | 第42-45页 |
| ·支持向量机 | 第45-47页 |
| ·核函数理论 | 第47-49页 |
| ·支持向量机多类分类方法 | 第49-50页 |
| ·基于支持向量机的缺陷识别实验 | 第50-56页 |
| ·实验中核函数与参数的确定 | 第50-51页 |
| ·支持向量机多分类实验 | 第51-55页 |
| ·实验结果分析 | 第55-56页 |
| ·基于神经网络的缺陷识别实验 | 第56-61页 |
| ·神经网络结构及参数选择 | 第56页 |
| ·BP神经网络分类实验 | 第56-61页 |
| ·本章小结 | 第61-64页 |
| 5 基于融合技术的分类方法 | 第64-68页 |
| ·融合技术简述 | 第64页 |
| ·融合技术分类方案设计 | 第64-66页 |
| ·基于融合技术的支持向量机分类实验 | 第66-67页 |
| ·基于融合技术的神经网络分类实验 | 第67页 |
| ·本章小结 | 第67-68页 |
| 6 总结及展望 | 第68-70页 |
| ·总结 | 第68-69页 |
| ·展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-73页 |
