全自动荧光磁粉探伤中目标识别图像处理技术研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 引言 | 第7-13页 |
| ·选题背景 | 第7页 |
| ·荧光磁粉图像目标识别技术研究现状 | 第7-9页 |
| ·荧光磁粉图像成像原理及系统工作流程 | 第7-8页 |
| ·目前缺陷识别方法介绍 | 第8-9页 |
| ·分类判别模型及研究现状 | 第9-11页 |
| ·本文研究的主要内容与工作安排 | 第11-13页 |
| 2 统计学习理论与支持向量机 | 第13-21页 |
| ·统计学习理论 | 第13-14页 |
| ·支持向量机 | 第14-18页 |
| ·SVM多类识别策略 | 第18-20页 |
| ·本章小结 | 第20-21页 |
| 3 基于多特征的C-SVM判别模型的裂纹识别研究 | 第21-30页 |
| ·荧光磁粉图像特征提取与归一化 | 第21-27页 |
| ·荧光磁粉图像特征提取 | 第21-26页 |
| ·荧光磁粉图像特征归一化 | 第26-27页 |
| ·基于C-SVM的裂纹识别 | 第27-29页 |
| ·样本集的选取 | 第27页 |
| ·C-SVM核函数选取 | 第27-28页 |
| ·交叉验证法选择C-SVM参数 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 4 基于分水岭聚类的C-SVM裂纹识别方法研究 | 第30-48页 |
| ·基于聚类的裂纹图像粗分类 | 第30-35页 |
| ·相似性测度 | 第30-31页 |
| ·聚类的准则函数 | 第31页 |
| ·动态聚类算法 | 第31-33页 |
| ·分级聚类算法 | 第33-35页 |
| ·形态学梯度分水岭分割 | 第35-38页 |
| ·形态学梯度 | 第35-36页 |
| ·分水岭分割 | 第36-38页 |
| ·基于预分割的C-SVM裂纹识别算法 | 第38-47页 |
| ·裂纹图像粗分类 | 第38-43页 |
| ·裂纹图像样本点选取 | 第43-44页 |
| ·实验仿真识别效果对比 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 5 C-SVM判别模型参数优化研究 | 第48-54页 |
| ·基于改进核矩阵相似的C-SVM参数选取 | 第48-49页 |
| ·粒子群优化算法(PSO)参数优化快速搜索方法 | 第49-51页 |
| ·两种C-SVM判别模型参数选取仿真效果 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 6 总结 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-59页 |
