基于工业CT图像的工件缺陷智能检测技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-14页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12页 |
| 1.3 主要研究内容及结构 | 第12-14页 |
| 2 工业CT切片图像预处理 | 第14-27页 |
| 2.1 数字图像理论 | 第14-17页 |
| 2.1.1 图像的采集与数字化 | 第14页 |
| 2.1.2 数字图像的表示方法 | 第14-16页 |
| 2.1.3 数字图像的基本文件格式 | 第16-17页 |
| 2.2 数字图像处理方法 | 第17页 |
| 2.2.1 空域法 | 第17页 |
| 2.2.2 变换域法 | 第17页 |
| 2.3 工业CT切片图像预处理 | 第17-22页 |
| 2.3.1 工业CT图像噪声种类 | 第17-18页 |
| 2.3.2 工业CT图像噪声分析 | 第18-19页 |
| 2.3.3 自适应中值滤波 | 第19-21页 |
| 2.3.4 自适应加权均值滤波 | 第21-22页 |
| 2.4 工业CT切片图像预处理结果及评价 | 第22-26页 |
| 2.4.1 工业CT切片图像预处理流程图 | 第22-23页 |
| 2.4.2 工业CT切片图像去噪效果评价方法 | 第23页 |
| 2.4.3 算例分析 | 第23-26页 |
| 2.5 小结 | 第26-27页 |
| 3 低对比度工业CT切片图像缺陷分割 | 第27-39页 |
| 3.1 工业CT切片图像分割方法概述 | 第27-28页 |
| 3.1.1 基于阈值的分割技术 | 第27页 |
| 3.1.2 基于边缘的分割技术 | 第27-28页 |
| 3.1.3 基于区域特性的分割技术 | 第28页 |
| 3.1.4 基于统计模式分类的分割技术 | 第28页 |
| 3.2 工业CT切片图像灰度分布分析 | 第28-31页 |
| 3.3 图像边界分类及边界选取 | 第31-33页 |
| 3.3.1 图像边界及其分类 | 第31-32页 |
| 3.3.2 工业CT切片图像边界选取 | 第32-33页 |
| 3.4 基于灰度变化率的低对比度图像缺陷分割算法 | 第33-37页 |
| 3.4.1 分割方法 | 第33-35页 |
| 3.4.2 分割步骤 | 第35-36页 |
| 3.4.3 边界判定条件范围选取 | 第36-37页 |
| 3.5 分割结果及其分析 | 第37-38页 |
| 3.6 小结 | 第38-39页 |
| 4 工业CT切片图像缺陷特征提取 | 第39-51页 |
| 4.1 工件缺陷主要类型及其特点 | 第39-41页 |
| 4.1.1 工件内部缺陷主要类型 | 第39-40页 |
| 4.1.2 工件缺陷特点 | 第40-41页 |
| 4.2 工件缺陷特征的选取 | 第41-42页 |
| 4.2.1 形状特征 | 第41-42页 |
| 4.2.2 灰度特征 | 第42页 |
| 4.3 基于Hu不变矩的工件缺陷特征提取 | 第42-49页 |
| 4.3.1 不变矩 | 第42-43页 |
| 4.3.2 矩的物理意义 | 第43-45页 |
| 4.3.3 矩的变换 | 第45-47页 |
| 4.3.4 Hu不变矩 | 第47-49页 |
| 4.4 算例分析 | 第49-50页 |
| 4.5 小结 | 第50-51页 |
| 5. 工业CT切片图像的缺陷智能识别 | 第51-61页 |
| 5.1 RBF神经网络模型结构 | 第51-53页 |
| 5.1.1 RBF神经网络原理 | 第51页 |
| 5.1.2 RBF神经网络模型 | 第51-52页 |
| 5.1.3 RBF神经网络设计 | 第52-53页 |
| 5.2 萤火虫群优化算法 | 第53-56页 |
| 5.2.1 萤火虫群优化算法原理 | 第53页 |
| 5.2.2 萤火虫群优化算法描述 | 第53-54页 |
| 5.2.3 萤火虫群优化算法流程 | 第54-56页 |
| 5.3 基于萤火虫神经网络的工件内部缺陷识别算法 | 第56-59页 |
| 5.3.1 萤火虫神经网络算法流程 | 第56-58页 |
| 5.3.2 萤火虫神经网络的训练和仿真 | 第58-59页 |
| 5.4 小结 | 第59-61页 |
| 结论 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读学位期间的研究成果 | 第67页 |
