产品表面缺陷在线检测方法研究及系统实现
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-6页 |
| 目录 | 第6-8页 |
| 1 绪论 | 第8-20页 |
| ·课题来源、研究背景及意义 | 第8-10页 |
| ·国内外研究现状 | 第10-16页 |
| ·机器视觉用于产品表面缺陷检测的关键技术问题 | 第16-18页 |
| ·本文的研究内容及论文结构 | 第18-20页 |
| 2 分布式机器视觉检测系统总体设计 | 第20-32页 |
| ·分布式机器视觉检测系统的结构 | 第20-27页 |
| ·基于分布式机器视觉的在线检测系统的图像处理 | 第27-30页 |
| ·分布式机器视觉系统的同步和网络拥塞 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 3 基于轮廓的子空间图像配准 | 第32-51页 |
| ·图像配准及印刷图像约束分析 | 第32-35页 |
| ·一种基于方向的多分辨率灰度形态学轮廓提取方法 | 第35-44页 |
| ·一种基于轮廓特征的子空间图像配准算法 | 第44-49页 |
| ·本章小结 | 第49-51页 |
| 4 缺陷分割和缺陷聚类 | 第51-72页 |
| ·模式图像的可疑缺陷提取 | 第51-56页 |
| ·非模式图像可疑缺陷提取 | 第56-64页 |
| ·伪缺陷剔除 | 第64-69页 |
| ·一种基于顺序和行程长的缺陷聚类算法 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 5 缺陷分类和识别 | 第72-91页 |
| ·常见模式识别方法比较 | 第72-74页 |
| ·缺陷特征提取 | 第74-78页 |
| ·一种基于规则的印刷缺陷分类方法 | 第78-81页 |
| ·基于改进的人工神经网络的浮法玻璃缺陷分类 | 第81-90页 |
| ·本章小结 | 第90-91页 |
| 6 分布式机器视觉系统同步和网络拥塞控制 | 第91-104页 |
| ·分布式机器视觉的同步 | 第91-94页 |
| ·分布式机器视觉的网络拥塞控制 | 第94-101页 |
| ·分布式机器视觉系统的自诊断 | 第101-103页 |
| ·本章小结 | 第103-104页 |
| 7 系统实例 | 第104-117页 |
| ·浮法玻璃缺陷在线检测的实现及应用 | 第104-112页 |
| ·印刷品缺陷在线检测系统的实现及应用 | 第112-116页 |
| ·本章小结 | 第116-117页 |
| 8 全文总结与展望 | 第117-119页 |
| ·全文总结 | 第117-118页 |
| ·工作展望 | 第118-119页 |
| 致谢 | 第119-120页 |
| 参考文献 | 第120-129页 |
| 附录1 攻读博士学位期间发表学术论文目录 | 第129-130页 |
| 附录2 攻读博士学位期间取得的科研成果 | 第130-138页 |
| 附件1 | 第131-132页 |
| 附件2 | 第132-133页 |
| 附件3 | 第133-134页 |
| 附件4 | 第134-135页 |
| 附件5 | 第135-136页 |
| 附件6 | 第136-137页 |
| 附件7 | 第137-138页 |
| 附件8 | 第138页 |
