基于图像处理的带钢表面缺陷识别方法研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 选题背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文内容与结构 | 第12-13页 |
| 1.4 本章小结 | 第13-15页 |
| 第二章 带钢缺陷检测装置概述 | 第15-19页 |
| 2.1 带钢缺陷检测设备结构 | 第15-16页 |
| 2.2 带钢表面典型缺陷分析 | 第16-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 图像的预处理及算法优化的研究 | 第19-29页 |
| 3.1 带钢表面图像增强处理 | 第19-22页 |
| 3.1.1 直方图均衡化 | 第19-20页 |
| 3.1.2 改进的直方图均衡化 | 第20-22页 |
| 3.2 带钢表面图像降噪处理 | 第22-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第四章 带钢表面缺陷图像分割及算法优化的研究 | 第29-41页 |
| 4.1 MARKOV图像分割方法 | 第29-32页 |
| 4.1.1 马尔可夫随机场 | 第29-30页 |
| 4.1.2 吉布斯随机场 | 第30页 |
| 4.1.3 最大后验概率估计 | 第30-32页 |
| 4.2 粒子群算法的应用 | 第32-33页 |
| 4.2.1 粒子群优化算法 | 第32-33页 |
| 4.2.2 马尔可夫场中的粒子群优化 | 第33页 |
| 4.3 随机松弛算法 | 第33-34页 |
| 4.4 结果与分析 | 第34-39页 |
| 4.5 本章小结 | 第39-41页 |
| 第五章 带钢表面缺陷特征提取 | 第41-49页 |
| 5.1 带钢表面图像特征分类 | 第41-46页 |
| 5.1.1 纹理特征 | 第41-44页 |
| 5.1.2 形状特征 | 第44-45页 |
| 5.1.3 空间特征 | 第45-46页 |
| 5.2 带钢表面图像特征提取 | 第46-48页 |
| 5.3 本章小结 | 第48-49页 |
| 第六章 基于支持向量机的带钢表面缺陷识别 | 第49-63页 |
| 6.1 遗传算法优化的带钢表面缺陷分类 | 第49-56页 |
| 6.1.1 遗传算法 | 第49-50页 |
| 6.1.2 遗传算法优化的SVM识别 | 第50-53页 |
| 6.1.3 结果及分析 | 第53-56页 |
| 6.1.3.1 不同遗传算子分类比较 | 第53-54页 |
| 6.1.3.2 不同核函数识别准确率比较 | 第54-55页 |
| 6.1.3.3 不同分类的识别准确率比较 | 第55-56页 |
| 6.2 粒子群优化的支持向量机带钢缺陷分类 | 第56-59页 |
| 6.3 结果及分析 | 第59页 |
| 6.4 不同识别算法的比较 | 第59-61页 |
| 6.5 本章小结 | 第61-63页 |
| 第七章 结论 | 第63-65页 |
| 7.1 总结 | 第63-64页 |
| 7.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士期间所取得的相关科研成果 | 第69-71页 |
| 致谢 | 第71-72页 |
