| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-24页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 钢板表面缺陷检测发展现状 | 第11-17页 |
| 1.2.1 钢板表面缺陷检测方法综述 | 第11-14页 |
| 1.2.2 国内外发展现状 | 第14-17页 |
| 1.3 钢板表面缺陷分类 | 第17-20页 |
| 1.4 钢板表面缺陷检测系统构成 | 第20-22页 |
| 1.5 本文主要工作及章节安排 | 第22-24页 |
| 1.5.1 本文主要工作内容 | 第22页 |
| 1.5.2 本文各章节安排 | 第22-24页 |
| 第2章 钢板表面缺陷图像预处理算法 | 第24-40页 |
| 2.1 基于梯度的钢板表面图像ROI检测算法 | 第24-27页 |
| 2.1.1 ROI检测算法 | 第24-25页 |
| 2.1.2 实验结果分析 | 第25-27页 |
| 2.2 三维块匹配缺陷图像滤噪算法 | 第27-31页 |
| 2.2.1 图像基本估计 | 第27-29页 |
| 2.2.2 图像最终估计 | 第29-30页 |
| 2.2.3 实验结果分析 | 第30-31页 |
| 2.3 基于Retinex和导向滤波的不均匀光照缺陷图像矫正与增强算法 | 第31-37页 |
| 2.3.1 Retinex算法 | 第32-33页 |
| 2.3.2 导向滤波器 | 第33-34页 |
| 2.3.3 算法流程与实验结果分析 | 第34-37页 |
| 2.4 本章小结 | 第37-40页 |
| 第3章 基于Center-Surround Difference的钢板表面缺陷图像分割算法 | 第40-58页 |
| 3.1 组合DoG滤波器 | 第40-41页 |
| 3.2 基于动态Local和Global特征融合的缺陷区域检测算法 | 第41-46页 |
| 3.2.1 基于动态Local特征的缺陷区域检测算法 | 第41-43页 |
| 3.2.2 基于Global特征的缺陷区域检测算法 | 第43-44页 |
| 3.2.3 背景抑制和前景恢复 | 第44-45页 |
| 3.2.4 自适应阈值分割 | 第45-46页 |
| 3.3 算法流程与实验结果分析 | 第46-55页 |
| 3.3.1 缺陷图像分割算法流程 | 第46-47页 |
| 3.3.2 实验结果分析 | 第47-55页 |
| 3.4 本章小结 | 第55-58页 |
| 第4章 基于改进PSO优化BP网络的钢板缺陷分类算法 | 第58-82页 |
| 4.1 钢板缺陷图像特征提取 | 第58-68页 |
| 4.2 基于改进PSO优化BP网络的缺陷分类算法 | 第68-78页 |
| 4.2.1 BP网络和PSO算法 | 第68-71页 |
| 4.2.2 改进的PSO算法与性能测试 | 第71-78页 |
| 4.2.3 PSO算法优化BP网络可行性分析 | 第78页 |
| 4.3 算法流程与实验结果分析 | 第78-81页 |
| 4.3.1 缺陷图像分类算法流程 | 第78-79页 |
| 4.3.2 实验结果分析 | 第79-81页 |
| 4.4 本章小结 | 第81-82页 |
| 总结与展望 | 第82-84页 |
| 参考文献 | 第84-91页 |
| 攻读学位期间公开发表论文 | 第91-92页 |
| 致谢 | 第92-93页 |
| 作者简介 | 第93页 |
