| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 1 绪论 | 第11-31页 |
| 1.1 研究背景及意义 | 第11-15页 |
| 1.2 拉索检测技术的研究现状 | 第15-19页 |
| 1.2.1 拉索内部结构缺陷检测 | 第15-16页 |
| 1.2.2 拉索表面缺陷检测 | 第16-19页 |
| 1.3 表面缺陷的机器视觉检测系统 | 第19-21页 |
| 1.3.1 机器视觉检测系统分析 | 第19-20页 |
| 1.3.2 机器视觉的表面缺陷检测 | 第20-21页 |
| 1.4 表面缺陷检测系统的图像处理技术分析 | 第21-26页 |
| 1.5 桥梁拉索表面缺陷机器视觉检测关键技术分析 | 第26-28页 |
| 1.6 本文研究内容与结构安排 | 第28-31页 |
| 2 桥梁拉索表面缺陷自动检测系统 | 第31-45页 |
| 2.1 引言 | 第31页 |
| 2.2 系统的功能和性能分析 | 第31-33页 |
| 2.2.1 系统的功能分析 | 第31-32页 |
| 2.2.2 系统的性能技术指标 | 第32-33页 |
| 2.3 系统总体方案 | 第33-34页 |
| 2.4 桥梁拉索表面缺陷检测系统硬件结构 | 第34-39页 |
| 2.4.1 光源系统 | 第35-36页 |
| 2.4.2 图像传感器阵列的配置 | 第36-37页 |
| 2.4.3 图像处理硬件平台 | 第37-38页 |
| 2.4.4 损伤定位系统 | 第38页 |
| 2.4.5 数据储存系统 | 第38-39页 |
| 2.5 软件系统设计 | 第39-41页 |
| 2.5.1 软件系统总体结构 | 第39-40页 |
| 2.5.2 软件系统工作流程 | 第40-41页 |
| 2.6 系统测试和性能技术指标 | 第41-42页 |
| 2.7 本章小结 | 第42-45页 |
| 3 表面缺陷图像预处理及缺陷提取方法研究 | 第45-67页 |
| 3.1 引言 | 第45页 |
| 3.2 缺陷图像预处理 | 第45-50页 |
| 3.2.1 拉索表面缺陷图像的采集 | 第45-46页 |
| 3.2.2 图像预处理 | 第46-48页 |
| 3.2.3 改进的中值滤波算法 | 第48-50页 |
| 3.3 缺陷图像的分割 | 第50-60页 |
| 3.3.1 边缘检测算法分析 | 第52-58页 |
| 3.3.2 改进的 Sobel 边缘检测 | 第58-59页 |
| 3.3.3 基于 MM-Soble 算法的缺陷目标分割 | 第59-60页 |
| 3.4 拉索表面缺陷目标的判别 | 第60页 |
| 3.5 实验结果和分析 | 第60-65页 |
| 3.5.1 缺陷图像的判别 | 第60-64页 |
| 3.5.2 缺陷图像的存储 | 第64-65页 |
| 3.6 本章小结 | 第65-67页 |
| 4 拉索缺陷图像去模糊方法研究 | 第67-81页 |
| 4.1 引言 | 第67页 |
| 4.2 桥梁拉索表面缺陷图像的模糊模型分析 | 第67-68页 |
| 4.3 全变分正则化图像复原方法 | 第68-71页 |
| 4.3.1 全变分模型 | 第68-70页 |
| 4.3.2 全变分模型的求解 | 第70页 |
| 4.3.3 全变分盲图像复原 | 第70-71页 |
| 4.4 基于 NAS-RIF 和 TV 自适应正则化图像复原方法 | 第71-76页 |
| 4.4.1 NAS-RIF 算法 | 第71-72页 |
| 4.4.2 自适应 TV 正则化的 NAS-RIF 算法 | 第72-73页 |
| 4.4.3 优化最小化求解的图像复原方法 | 第73-74页 |
| 4.4.4 自适应正则化参数的获取 | 第74-76页 |
| 4.5 实验结果及分析 | 第76-79页 |
| 4.6 本章小结 | 第79-81页 |
| 5 拉索表面缺陷图像的拼接技术研究 | 第81-95页 |
| 5.1 引言 | 第81页 |
| 5.2 表面缺陷图像的拼接 | 第81-84页 |
| 5.2.1 图像拼接技术 | 第81-83页 |
| 5.2.2 表面缺陷图像的拼接方法 | 第83-84页 |
| 5.3 改进的 SIFT 匹配算法 | 第84-91页 |
| 5.3.1 SIFT 配准原理 | 第84-87页 |
| 5.3.2 SIFT 匹配算法性能分析 | 第87-88页 |
| 5.3.3 SIFT 算法的改进 | 第88-91页 |
| 5.4 基于改进 SIFT 配准的缺陷图像拼接 | 第91-92页 |
| 5.4.1 缺陷图像拼接流程 | 第91页 |
| 5.4.2 拉索缺陷图像拼接的融合实现 | 第91-92页 |
| 5.5 实验结果与分析 | 第92-93页 |
| 5.6 本章小结 | 第93-95页 |
| 6 桥梁拉索表面缺陷的分类识别研究 | 第95-107页 |
| 6.1 引言 | 第95页 |
| 6.2 表面缺陷的特征提取 | 第95-98页 |
| 6.2.1 缺陷的形状特征 | 第95-96页 |
| 6.2.2 缺陷的灰度特征 | 第96页 |
| 6.2.3 缺陷的纹理特征 | 第96-98页 |
| 6.3 PSO-SVM 分类器设计 | 第98-101页 |
| 6.3.1 支持向量机（SVM）理论 | 第98-100页 |
| 6.3.2 PSO-SVM 算法 | 第100-101页 |
| 6.4 拉索表面缺陷分类实验和分析 | 第101-105页 |
| 6.4.1 拉索表面缺陷类型 | 第101-103页 |
| 6.4.2 粒子群优化的支持向量机分类 | 第103-105页 |
| 6.5 小结 | 第105-107页 |
| 7 总结与展望 | 第107-111页 |
| 7.1 论文总结 | 第107-108页 |
| 7.2 工作展望 | 第108-111页 |
| 致谢 | 第111-113页 |
| 参考文献 | 第113-127页 |
| 附录 | 第127-128页 |
| A. 作者在攻读学位期间发表的论文目录 | 第127-128页 |
| B. 作者在攻读学位期间取得的专利成果目录 | 第128页 |
| C. 作者在攻读学位期间参与的科研项目 | 第128页 |
