| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-15页 |
| ·冷轧带钢表面缺陷检测技术的意义 | 第11-12页 |
| ·冷轧带钢表面缺陷检测技术的发展现状 | 第12-13页 |
| ·课题来源 | 第13-14页 |
| ·课题研究内容 | 第14-15页 |
| 第二章 冷轧带钢表面质量检测系统总体设计 | 第15-27页 |
| ·冷轧带钢表面常见缺陷类型 | 第15-17页 |
| ·冷轧带钢表面质量检测系统设计方案 | 第17-26页 |
| ·冷轧带钢表面质量检测系统工作流程 | 第18-20页 |
| ·冷轧带钢表面质量检测系统总体结构 | 第20-21页 |
| ·冷轧带钢表面质量检测系统硬件设计 | 第21-23页 |
| ·冷轧带钢表面质量检测系统软件设计 | 第23-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 冷轧带钢表面缺陷图像处理方法研究 | 第27-43页 |
| ·数字图像处理原理 | 第27页 |
| ·缺陷图像增强算法研究 | 第27-33页 |
| ·缺陷图像对比度增强 | 第28-29页 |
| ·差影法 | 第29-31页 |
| ·缺陷图像锐化 | 第31-33页 |
| ·缺陷图像平滑算法研究 | 第33-35页 |
| ·噪声类型 | 第33页 |
| ·空域中缺陷图像平滑 | 第33-35页 |
| ·缺陷图像边缘检测算法研究 | 第35-42页 |
| ·传统Canny 算子边缘检测原理 | 第36-38页 |
| ·改进Canny 算子边缘检测算法 | 第38-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 人工神经网络 | 第43-50页 |
| ·人工神经网络基本概念 | 第43-45页 |
| ·人工神经网络计算特点 | 第45-46页 |
| ·BP 神经网络模型 | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 冷轧带钢表面缺陷检测技术研究 | 第50-95页 |
| ·形态特征 | 第50-53页 |
| ·简单描述符 | 第50-51页 |
| ·形状描述符 | 第51页 |
| ·不变矩 | 第51-53页 |
| ·灰度特征 | 第53-54页 |
| ·纹理特征 | 第54-56页 |
| ·NMI 特征 | 第56-57页 |
| ·带钢表面缺陷检测中的神经网络设计 | 第57-62页 |
| ·网络训练和使用 | 第62-65页 |
| ·实验 | 第65-80页 |
| ·训练样本的获取 | 第65页 |
| ·实验结果 | 第65-79页 |
| ·实验总结 | 第79-80页 |
| ·基于变更传递函数倾斜度和动态调节不同学习速率的BP 改进算法研究 | 第80-92页 |
| ·传统BP 算法的缺点 | 第80页 |
| ·基于传递函数倾斜度及动态调节不同学习速率的改进 | 第80-88页 |
| ·缺陷检测实验及分析 | 第88-92页 |
| ·本章小结 | 第92-95页 |
| 第六章 冷轧带钢表面缺陷分类技术研究 | 第95-111页 |
| ·特征选取 | 第95-101页 |
| ·基于BP 网络的分类器设计 | 第101-104页 |
| ·网络分类器的设计 | 第101页 |
| ·网络分类器设计时应考虑的问题 | 第101-104页 |
| ·BP 网络分类器的网络结构 | 第104页 |
| ·冷轧带钢表面缺陷检测与缺陷识别过程 | 第104-106页 |
| ·实验 | 第106-110页 |
| ·训练样本的获取 | 第106-108页 |
| ·分类器的识别结果 | 第108-110页 |
| ·本章小结 | 第110-111页 |
| 结论及展望 | 第111-114页 |
| 论文总结 | 第111-112页 |
| 工作展望 | 第112页 |
| 论文创新点 | 第112-114页 |
| 参考文献 | 第114-117页 |
| 攻读学位期间取得的研究成果 | 第117-118页 |
| 致谢 | 第118页 |