基于人工神经网络的木材缺陷检测研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-15页 |
| ·论文研究的目的和意义 | 第7页 |
| ·木材无损检测的研究现状与进展 | 第7-8页 |
| ·模式识别理论及发展现状 | 第8-11页 |
| ·人工神经网络理论及发展现状 | 第11-13页 |
| ·人工神经网络的工作过程 | 第12-13页 |
| ·人工神经网络的发展现状及应用领域 | 第13页 |
| ·MATLAB神经网络工具箱的基本特征 | 第13-15页 |
| 2 木材缺陷检测与成像系统 | 第15-25页 |
| ·木材X射线图像成像规律研究 | 第15-17页 |
| ·木材X射线图像成像基本理论 | 第15页 |
| ·木材X射线图像成像规律 | 第15-17页 |
| ·X射线无损检测方法 | 第17-19页 |
| ·木材无损检测图像处理系统硬件设计 | 第19-21页 |
| ·木材无损检测图像处理系统软件工作平台 | 第21-22页 |
| ·木材无损检测图像采集及处理板的研制 | 第21页 |
| ·D／A转换及全电视信号合成电路 | 第21页 |
| ·图像存储器 | 第21-22页 |
| ·实验系统微机接口电路设计 | 第22页 |
| ·木材缺陷无损检测图像处理系统工作平台 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 3 木材缺陷数字图像的分析与处理 | 第25-36页 |
| ·木材缺陷数字图像 | 第25-28页 |
| ·木材缺陷图像的数字化 | 第25-26页 |
| ·木材缺陷数字图像的表示 | 第26-27页 |
| ·木材缺陷数字图像的存储 | 第27页 |
| ·数字图像的文件格式 | 第27-28页 |
| ·数字图像处理 | 第28-29页 |
| ·数字图像处理方法 | 第28-29页 |
| ·木材缺陷数字图像处理 | 第29页 |
| ·木材缺陷图像增强 | 第29-35页 |
| ·空间域灰度修正 | 第30-31页 |
| ·空间域图像平滑 | 第31-35页 |
| ·本章小结 | 第35-36页 |
| 4 木材缺陷图像的采集 | 第36-42页 |
| ·木材缺陷分类和识别类型的选取 | 第36页 |
| ·木材缺陷图像处理程序的结构 | 第36-41页 |
| ·图像采集卡的初始化 | 第37-38页 |
| ·木材缺陷图像的采集和冻结 | 第38-39页 |
| ·有条件阈值的二值化 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 5 木材缺陷特征提取 | 第42-45页 |
| ·划分缺陷区域并确定缺陷的尺寸和位置 | 第42页 |
| ·根据缺陷的位置及尺寸提取灰度特征 | 第42-43页 |
| ·木材缺陷图像的显示和显示帧存的访问 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 6 木材缺陷图像的人工神经网络模型 | 第45-70页 |
| ·人工神经元模型 | 第45-49页 |
| ·人工神经网络模型 | 第49-50页 |
| ·人工神经网络学习 | 第50-52页 |
| ·BP神经网络 | 第52-60页 |
| ·BP神经网络的训练 | 第53-55页 |
| ·BP神经网络的算法 | 第55-60页 |
| ·人工神经网络的设计 | 第60-62页 |
| ·BP网络传递函数的选择 | 第61-62页 |
| ·BP网络学习算法的构成 | 第62页 |
| ·BP网络的系统模型 | 第62页 |
| ·BP神经网络训练及识别分类仿真实验 | 第62-69页 |
| ·BP网络的学习训练 | 第62-65页 |
| ·BP网络模型的确立 | 第65-68页 |
| ·木材缺陷图像的识别仿真 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 结论 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 攻读学位期间发表的学术论文 | 第74-75页 |
| 致谢 | 第75-76页 |
| 独创性声明 | 第76页 |
| 学位论文版权使用授权书 | 第76页 |
