| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 1 绪论 | 第10-21页 |
| ·选题背景及研究意义 | 第10-11页 |
| ·选题背景 | 第10-11页 |
| ·研究意义 | 第11页 |
| ·超声检测技术的研究进展 | 第11-18页 |
| ·超声检测技术 | 第11-13页 |
| ·超声检测仪器 | 第13页 |
| ·超声扫描成像技术 | 第13-16页 |
| ·超声检测中的信号处理技术 | 第16-17页 |
| ·超声检测缺陷的智能识别 | 第17-18页 |
| ·液压缸环焊缝质量检验的现状和发展趋势 | 第18-19页 |
| ·液压缸环焊缝质量检验的现状 | 第18-19页 |
| ·液压缸环焊缝质量检验的发展趋势 | 第19页 |
| ·本文的主要研究内容 | 第19-21页 |
| 2 煤矿液压支架缸体环焊缝缺陷超声自动检测系统 | 第21-33页 |
| ·引言 | 第21页 |
| ·超声自动检测系统总体设计 | 第21-22页 |
| ·系统硬件构成 | 第22-24页 |
| ·数字化超声自动检测实验平台 | 第22页 |
| ·超声检测自动扫描控制系统 | 第22-24页 |
| ·基于以太网的超声数据采集系统 | 第24页 |
| ·系统软件开发 | 第24-30页 |
| ·电机运行控制程序设计 | 第24-25页 |
| ·系统软件功能模块设计 | 第25-28页 |
| ·LabWindows/CVI 与Microsoft Word 软件接口的实现 | 第28-30页 |
| ·多线程技术在系统软件开发中的应用 | 第30页 |
| ·系统性能和技术指标 | 第30页 |
| ·液压缸环焊缝缺陷超声自动检测策略研究 | 第30-32页 |
| ·扫描路径的规划 | 第30-31页 |
| ·检测方案的研究 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 3 斜探头超声成像检测技术研究 | 第33-44页 |
| ·引言 | 第33页 |
| ·焊缝超声检测关键技术分析 | 第33-35页 |
| ·斜探头检测原理 | 第33-34页 |
| ·斜探头扫查方式 | 第34页 |
| ·探头移动区域 | 第34-35页 |
| ·入射方向和检测面 | 第35页 |
| ·斜探头超声扫描成像技术 | 第35-38页 |
| ·斜探头超声A 扫描 | 第35-36页 |
| ·斜探头超声B 扫描 | 第36页 |
| ·斜探头超声C 扫描 | 第36-37页 |
| ·扫描图像的显示模式 | 第37页 |
| ·超声B 扫描图像矩阵的获取 | 第37-38页 |
| ·超声C 扫描图像矩阵的获取 | 第38页 |
| ·人工缺陷超声成像数学模型的建立 | 第38-41页 |
| ·斜探头超声B 扫描成像的数学模型 | 第38-40页 |
| ·斜探头超声C 扫描成像的数学模型 | 第40-41页 |
| ·超声成像实验验证和结果分析 | 第41-42页 |
| ·缺陷定位和定量分析 | 第42-43页 |
| ·缺陷扫描图像的自动定位 | 第42页 |
| ·缺陷扫描图像的自动定量 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 4 基于小波分析的焊接缺陷超声检测信号去噪研究 | 第44-65页 |
| ·引言 | 第44页 |
| ·小波分析的基本理论 | 第44-49页 |
| ·小波变换 | 第44-47页 |
| ·小波包变换 | 第47页 |
| ·静态小波变换 | 第47-48页 |
| ·提升小波变换 | 第48-49页 |
| ·小波阈值去噪法的原理和实验分析 | 第49-59页 |
| ·小波去噪原理 | 第49-51页 |
| ·去噪实验和结果分析 | 第51-59页 |
| ·基于改进阈值函数的提升小波变换去噪算法 | 第59-63页 |
| ·改进的阈值函数 | 第59页 |
| ·实验验证和分析 | 第59-63页 |
| ·小波分解层数对去噪性能的影响 | 第63页 |
| ·本章小结 | 第63-65页 |
| 5 基于小波包变换的焊接缺陷超声回波信号特征提取研究 | 第65-72页 |
| ·引言 | 第65页 |
| ·超声信号的小波包能量特征提取 | 第65-66页 |
| ·焊接缺陷超声回波信号的能量特征提取实验 | 第66-69页 |
| ·基于距离的类别可分性判据对特征提取进行评价 | 第69-70页 |
| ·本章小结 | 第70-72页 |
| 6 焊接缺陷超声检测智能识别研究 | 第72-107页 |
| ·引言 | 第72页 |
| ·人工神经网络在焊接缺陷智能识别中的应用 | 第72-82页 |
| ·BP 神经网络 | 第72-75页 |
| ·RBF 神经网络 | 第75-78页 |
| ·概率神经网络 | 第78页 |
| ·分类性能分析和讨论 | 第78-82页 |
| ·基于支持向量机的焊接缺陷智能识别研究 | 第82-103页 |
| ·统计学习理论 | 第83-85页 |
| ·支持向量机 | 第85-89页 |
| ·支持向量分类机的常见模型 | 第89-93页 |
| ·支持向量机多值分类方法 | 第93-96页 |
| ·基于ν-SVM 的二叉树多值分类方法 | 第96-98页 |
| ·实验验证和结果分析 | 第98-100页 |
| ·支持向量机分类性能影响因素分析 | 第100-103页 |
| ·基于ν-SVM-BTMC 的RBF 神经网络焊接缺陷识别方法研究 | 第103-106页 |
| ·基于ν-SVM-BTMC 的RBF 神经网络学习算法 | 第103-104页 |
| ·实验研究和结果分析 | 第104-106页 |
| ·本章小结 | 第106-107页 |
| 7 结论 | 第107-109页 |
| ·结论 | 第107-108页 |
| ·展望 | 第108-109页 |
| 致谢 | 第109-110页 |
| 参考文献 | 第110-118页 |
| 附录 | 第118-119页 |
