| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 表面粗糙度检测技术综述 | 第11-18页 |
| 1.2.1 表面粗糙度检测方法 | 第12-15页 |
| 1.2.2 基于机器视觉的表面粗糙度检测技术研究 | 第15-18页 |
| 1.3 课题主要研究内容 | 第18-21页 |
| 第二章 图像的获取及预处理 | 第21-33页 |
| 2.1 表面粗糙度检测原理 | 第21-22页 |
| 2.2 图像的获取 | 第22-26页 |
| 2.2.1 实验条件简介 | 第22-23页 |
| 2.2.2 数字图像相关概念 | 第23-25页 |
| 2.2.3 图像获取 | 第25-26页 |
| 2.3 图像预处理 | 第26-31页 |
| 2.3.1 图像灰度化 | 第26页 |
| 2.3.2 二值变换 | 第26-27页 |
| 2.3.3 图像去噪 | 第27-29页 |
| 2.3.4 图像旋转 | 第29-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于HOUGH变换和GLCM的工件表面粗糙度研究 | 第33-57页 |
| 3.1 纹理分析方法 | 第33-34页 |
| 3.2 灰度共生矩阵 | 第34-40页 |
| 3.2.1 灰度共生矩阵定义 | 第35-36页 |
| 3.2.2 构造参数的影响 | 第36页 |
| 3.2.3 构造参数的确定 | 第36-37页 |
| 3.2.4 统计特征参数的提取 | 第37-40页 |
| 3.3 HOUGH变换 | 第40-42页 |
| 3.3.1 Hough变换理论 | 第40-41页 |
| 3.3.2 基于Hough变换的图像旋转 | 第41-42页 |
| 3.4 特征参数与粗糙度关系的分析 | 第42-51页 |
| 3.5 实验过程及分析 | 第51-55页 |
| 3.6 本章小结 | 第55-57页 |
| 第四章 基于BP神经网络的表面粗糙度检测 | 第57-67页 |
| 4.1 BP神经网络算法 | 第57-62页 |
| 4.1.1 BP神经网络结构 | 第57-58页 |
| 4.1.2 BP学习算法 | 第58-60页 |
| 4.1.3 BP学习步骤 | 第60-61页 |
| 4.1.4 BP神经网络设计 | 第61-62页 |
| 4.2 端铣表面粗糙度检测模型 | 第62-65页 |
| 4.3 本章小结 | 第65-67页 |
| 第五章 结论 | 第67-69页 |
| 5.1 结论 | 第67页 |
| 5.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 作者简介 | 第73页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第73-75页 |
| 致谢 | 第75页 |