基于BP神经网络的药瓶封装缺陷识别技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 药瓶封装缺陷的研究现状 | 第12-13页 |
| 1.2.2 模式识别的发展及研究现状 | 第13-14页 |
| 1.2.3 神经网络的发展及研究现状 | 第14页 |
| 1.3 本文主要研究内容及安排 | 第14-17页 |
| 第2章 系统的总体设计方案 | 第17-25页 |
| 2.1 概述 | 第17页 |
| 2.2 检测系统总体方案 | 第17-19页 |
| 2.2.1 系统的设计目标 | 第17-18页 |
| 2.2.2 系统的总体结构 | 第18-19页 |
| 2.3 图像采集设备的设计 | 第19-22页 |
| 2.3.1 摄像机的选择 | 第19-20页 |
| 2.3.2 镜头的选择 | 第20-22页 |
| 2.4 照明系统的设计 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 药瓶封装缺陷图像预处理 | 第25-45页 |
| 3.1 图像灰度化处理 | 第25-26页 |
| 3.2 图像复原 | 第26-29页 |
| 3.2.1 图像噪声模型 | 第26-27页 |
| 3.2.2 均值滤波器 | 第27-29页 |
| 3.2.3 中值滤波器 | 第29页 |
| 3.3 图像增强 | 第29-34页 |
| 3.3.1 灰度直方图 | 第30页 |
| 3.3.2 灰度变换增强 | 第30-32页 |
| 3.3.3 直方图均衡化增强 | 第32-34页 |
| 3.3.4 图像增强技术的选择 | 第34页 |
| 3.4 药瓶封装缺陷图像分割 | 第34-40页 |
| 3.4.1 基于边缘检测的缺陷分割 | 第34-37页 |
| 3.4.2 基于阈值的缺陷分割 | 第37-40页 |
| 3.4.3 图像分割技术选择 | 第40页 |
| 3.5 药瓶图像的形态学处理 | 第40-44页 |
| 3.5.1 结构元素 | 第41页 |
| 3.5.2 膨胀和腐蚀 | 第41-42页 |
| 3.5.3 开运算和闭运算 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 药瓶封装缺陷图像的特征提取 | 第45-53页 |
| 4.1 缺陷特征选取原则 | 第45页 |
| 4.2 基于形状特征的缺陷提取 | 第45-49页 |
| 4.2.1 基于轮廓的形状特征提取 | 第45-47页 |
| 4.2.2 基于区域的形状特征提取 | 第47-49页 |
| 4.3 基于灰度共生矩阵的特征提取 | 第49-51页 |
| 4.3.1 灰度共生矩阵概述 | 第49-50页 |
| 4.3.2 基于灰度共生矩阵的纹理特征提取 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 神经网络在药瓶封装缺陷中的应用 | 第53-69页 |
| 5.1 人工神经网络 | 第53-55页 |
| 5.1.1 人工神经元模型 | 第53-54页 |
| 5.1.2 神经元的激励函数 | 第54页 |
| 5.1.3 人工神经网络的网络结构 | 第54-55页 |
| 5.2 BP神经网络简介 | 第55-59页 |
| 5.2.1 BP神经网络结构 | 第56页 |
| 5.2.2 BP学习算法 | 第56-59页 |
| 5.3 BP神经网络应用于药瓶封装缺陷检测 | 第59-63页 |
| 5.3.1 网络层数的确定 | 第59页 |
| 5.3.2 输入层和输出层节点数的确定 | 第59页 |
| 5.3.3 传递函数的选择 | 第59页 |
| 5.3.4 初始权值和阈值的确定 | 第59-60页 |
| 5.3.5 学习速率和期望误差的确定 | 第60页 |
| 5.3.6 隐层节点数的确定 | 第60-62页 |
| 5.3.7 BP神经网络算法的改进 | 第62-63页 |
| 5.4 BP神经网络的训练和仿真 | 第63-64页 |
| 5.5 系统误差分析 | 第64页 |
| 5.6 操作界面的设计 | 第64-68页 |
| 5.7 本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |
