首页--工业技术论文--金属学与金属工艺论文--金属压力加工论文--轧制论文--轧制工艺论文--板材、带材、箔材轧制论文

基于机器视觉的钢板表面缺陷识别研究

摘要第4-5页
Abstract第5-6页
第一章 绪论第10-17页
    1.1 研究的背景和意义第10-11页
    1.2 钢板表面检测技术的发展及研究现状第11-12页
        1.2.1 传统的检测方法第11-12页
        1.2.2 机器视觉检测方法第12页
    1.3 钢板表面缺陷识别技术第12-14页
        1.3.1 图像预处理技术第13页
        1.3.2 特征提取与选择第13页
        1.3.3 模式识别算法第13-14页
    1.4 本文的研究内容及组织结构第14-17页
第二章 缺陷图像预处理第17-30页
    2.1 钢板表面常见缺陷类型第17-19页
    2.2 滤波去噪第19-22页
        2.2.1 邻域平均法第19-20页
        2.2.2 中值滤波第20-21页
        2.2.3 高斯滤波第21页
        2.2.4 维纳滤波第21-22页
        2.2.5 滤波方法评价第22页
    2.3 图像增强第22-24页
    2.4 图像分割第24-29页
        2.4.1 Roberts算子第24-25页
        2.4.2 Sobel算子第25-26页
        2.4.3 Prewitt算子第26-27页
        2.4.4 Canny算子第27-28页
        2.4.5 Log算子第28-29页
        2.4.6 图像分割算子效率评价第29页
    2.5 本章小结第29-30页
第三章 钢板表面缺陷特征提取与选择第30-41页
    3.1 钢板表面缺陷特征的提取第30-38页
        3.1.1 几何特征第30-32页
        3.1.2 灰度特征第32-34页
        3.1.3 投影特征第34-36页
        3.1.4 纹理特征第36-38页
    3.2 钢板表面缺陷特征选择第38-40页
        3.2.1 Fisher判别准则第38-39页
        3.2.2 特征选择第39-40页
    3.3 本章小结第40-41页
第四章 钢板表面缺陷的识别算法第41-55页
    4.1 基于BP神经网络的缺陷识别第41-44页
    4.2 基于传统AdaBoost算法的缺陷识别第44-46页
        4.2.1 传统AdaBoost算法概述第44-45页
        4.2.2 AdaBoost.M1和SAMME算法原理第45-46页
    4.3 基于AdaBoost.BK的缺陷识别第46-54页
        4.3.1 AdaBoost.BK流程设计第47-49页
        4.3.2 弱分类器的选择第49-50页
        4.3.3 倒退步数F和弱分类器设定数量I的选择第50-54页
    4.4 本章小结第54-55页
第五章 实例分析与验证第55-68页
    5.1 数据预处理第55-59页
        5.1.1 表面缺陷数据集第55-56页
        5.1.2 缺陷图像预处理第56-57页
        5.1.3 特征提取与选择第57-59页
    5.2 钢板表面缺陷识别第59-65页
        5.2.1 BP神经网络识别第59-62页
        5.2.2 传统AdaBoost算法识别第62-63页
        5.2.3 AdaBoost.BK识别第63-65页
    5.3 钢板表面缺陷分类算法的比较第65-67页
    5.4 本章小结第67-68页
第六章 总结与展望第68-70页
    6.1 结论第68-69页
    6.2 展望第69-70页
致谢第70-71页
参考文献第71-76页
附录1 读硕士学位期间研究成果第76-77页
附录2 读硕士学位期间参加的科研项目第77-78页
附录3 模型MATLAB代码第78-95页
    附录3.1 缺陷图像读取第78页
    附录3.2 缺陷图像滤波第78-79页
    附录3.3 PSNR计算第79-80页
    附录3.4 缺陷图像增强和分割第80页
    附录3.5 缺陷图像ROI搜索第80-81页
    附录3.6 分割算子评价第81页
    附录3.7 特征提取第81-82页
    附录3.8 不变矩计算第82-83页
    附录3.9 灰度特征计算第83-84页
    附录3.10 投影特征计算第84页
    附录3.11 纹理特征计算第84-86页
    附录3.12 Fisher判别准则第86页
    附录3.13 BP神经网络缺陷分类第86-87页
    附录3.14 AdaBoost.M1缺陷分类第87-90页
    附录3.15 SAMME缺陷分类第90-92页
    附录3.16 AdaBoost.BK缺陷分类第92-95页

论文共95页,点击 下载论文
上一篇:架空压力弯管的超声导波检测技术研究
下一篇:取向硅钢中第二相粒子分布和晶界特征研究