| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 基于机器视觉的检测技术研究 | 第10-13页 |
| 1.2.1 国外机器视觉检测技术研究现状 | 第11-12页 |
| 1.2.2 国内机器视觉检测技术研究现状 | 第12-13页 |
| 1.3 防火板表面质量缺陷种类及分析 | 第13-16页 |
| 1.4 论文的主要研究内容 | 第16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 防火板表面质量检测系统设计 | 第17-26页 |
| 2.1 检测系统结构及工作原理 | 第17-18页 |
| 2.2 防火板表面图像采集系统 | 第18-21页 |
| 2.2.1 CCD相机 | 第18-20页 |
| 2.2.2 镜头 | 第20-21页 |
| 2.3 照明系统 | 第21-23页 |
| 2.4 软件开发系统 | 第23-25页 |
| 2.4.1 VS2013简介 | 第23页 |
| 2.4.2 Halcon10.0简介 | 第23-24页 |
| 2.4.3 VS2013配置Halcon10. | 第24-25页 |
| 2.5 软件系统工作流程 | 第25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 防火板表面质量图像处理 | 第26-44页 |
| 3.1 防火板表面质量图像预处理 | 第26-31页 |
| 3.1.1 灰度直方图均衡化 | 第26-28页 |
| 3.1.2 空间域滤波 | 第28-31页 |
| 3.2 防火板表面缺陷图像分割 | 第31-39页 |
| 3.2.1 图像分割概述 | 第31-32页 |
| 3.2.2 传统的图像分割方法 | 第32-35页 |
| 3.2.3 基于最小Tsallis交叉熵和改进型PCNN图像分割 | 第35-39页 |
| 3.3 图像分割实验结果分析 | 第39-43页 |
| 3.3.1 图像分割结果的主观比较 | 第42页 |
| 3.3.2 图像分割结果的客观比较 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 防火板表面质量图像特征分析 | 第44-54页 |
| 4.1 特征提取概述 | 第44-45页 |
| 4.2 缺陷图像的几何特征 | 第45-47页 |
| 4.3 缺陷图像的灰度特征 | 第47-50页 |
| 4.4 缺陷图像的纹理特征 | 第50-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 基于BP神经网络的防火板表面质量图像分类识别 | 第54-68页 |
| 5.1 人工神经元模型 | 第54-55页 |
| 5.2 BP神经网络的算法与局限 | 第55-60页 |
| 5.2.1 BP神经网络算法 | 第55-59页 |
| 5.2.2 算法局限性 | 第59-60页 |
| 5.3 改进BP神经网络 | 第60-64页 |
| 5.3.1 基本遗传算法 | 第60-61页 |
| 5.3.2 遗传算法优化BP神经网络识别防火板表面质量图像 | 第61-64页 |
| 5.4 GA-BP神经网络分类器实验设计与结果分析 | 第64-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士期间发表的论文和科研情况 | 第74-75页 |
| 致谢 | 第75页 |
