钢铁表面缺陷检测与识别系统的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状分析 | 第9-10页 |
| 1.3 相关研究工作 | 第10-11页 |
| 1.4 本文的结构安排 | 第11-13页 |
| 第二章 边缘检测方法概述 | 第13-20页 |
| 2.1 边缘检测的概述 | 第13-15页 |
| 2.1.1 边缘检测的意义 | 第13页 |
| 2.1.2 边缘检测的步骤 | 第13-14页 |
| 2.1.3 边缘检测的方法 | 第14-15页 |
| 2.2 传统的边缘检测方法 | 第15-19页 |
| 2.2.1 灰度梯度算子 | 第15-16页 |
| 2.2.2 Roberts 交叉算子 | 第16页 |
| 2.2.3 Sobel 算子 | 第16-17页 |
| 2.2.4 Prewitt 算子 | 第17页 |
| 2.2.5 Log 算子 | 第17-18页 |
| 2.2.6 Canny 算子 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 钢铁表面缺陷检测识别系统及特征提取 | 第20-27页 |
| 3.1 机器视觉系统介绍 | 第20页 |
| 3.2 钢铁表面缺陷检测与识别系统 | 第20-22页 |
| 3.3 钢铁表面缺陷图像特征提取 | 第22-26页 |
| 3.3.1 几何特征 | 第23页 |
| 3.3.2 灰度特征 | 第23-24页 |
| 3.3.3 形状特征 | 第24-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第四章 钢铁表面缺陷识别模型 | 第27-43页 |
| 4.1 基于最小生成树自适应覆盖的拒识层模型 | 第27-31页 |
| 4.1.1 最小生成树覆盖模型 | 第27-28页 |
| 4.1.2 最小生成树覆盖半径自适应调整 | 第28-29页 |
| 4.1.3 数据样本点密度 | 第29-30页 |
| 4.1.4 边长比例 | 第30-31页 |
| 4.1.5 各样本点自适应覆盖半径 | 第31页 |
| 4.2 支持向量机 | 第31-39页 |
| 4.2.1 统计学习原理介绍 | 第31-32页 |
| 4.2.2 支持向量机分类原理 | 第32-36页 |
| 4.2.3 核函数介绍 | 第36-37页 |
| 4.2.4 支持向量机多分类原理 | 第37-38页 |
| 4.2.5 支持向量机识别钢铁表面缺陷的主要流程 | 第38-39页 |
| 4.3 基于最小生成树自适应半径的拒识层模型 | 第39-40页 |
| 4.4 实验结果与分析 | 第40-42页 |
| 4.4.1 基于标准数据集的实验 | 第40-41页 |
| 4.4.2 钢铁表面图像数据的识别 | 第41页 |
| 4.4.3 结论 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 总结与展望 | 第43-45页 |
| 5.1 总结 | 第43页 |
| 5.2 展望 | 第43-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 附录 A 攻读学位其间发表的论文及参与的项目 | 第49-50页 |
| 详细摘要 | 第50-53页 |
