| 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11-19页 |
| 1.2.1 表面粗糙度检测方法 | 第12-16页 |
| 1.2.2 基于计算机视觉的表面粗糙度检测技术研究现状 | 第16-19页 |
| 1.3 课题主要研究内容 | 第19页 |
| 1.4 课题来源 | 第19-21页 |
| 第二章 工件表面显微图像采集与纹理特征参数的提取 | 第21-39页 |
| 2.1 工件表面粗糙度检测原理 | 第21页 |
| 2.2 图像采集系统硬件设备简介 | 第21-23页 |
| 2.3 车削工件显微图像采集 | 第23-24页 |
| 2.4 纹理分析方法 | 第24-27页 |
| 2.4.1 统计分析法 | 第24-25页 |
| 2.4.2 结构分析法 | 第25页 |
| 2.4.3 模型法 | 第25-27页 |
| 2.4.4 信号处理法 | 第27页 |
| 2.5 灰度共生矩阵 | 第27-30页 |
| 2.5.1 灰度共生矩阵定义 | 第28-29页 |
| 2.5.2 构造参数的影响 | 第29-30页 |
| 2.6 图像纹理特征参数的提取 | 第30-37页 |
| 2.6.1 构造参数的确定 | 第30-31页 |
| 2.6.2 统计特征参数的提取 | 第31-33页 |
| 2.6.3 实验数据分析 | 第33-37页 |
| 2.7 本章小结 | 第37-39页 |
| 第三章 车削工件表面粗糙度检测模型研究 | 第39-57页 |
| 3.1 回归分析 | 第39-47页 |
| 3.1.1 多元线性回归分析 | 第39-43页 |
| 3.1.2 多元非线性回归分析 | 第43-47页 |
| 3.2 BP神经网络算法 | 第47-53页 |
| 3.2.1 BP神经网络结构 | 第48页 |
| 3.2.2 BP学习算法 | 第48-51页 |
| 3.2.3 BP学习步骤 | 第51页 |
| 3.2.4 BP神经网络设计 | 第51-53页 |
| 3.3 实验结果分析 | 第53-55页 |
| 3.4 多元回归与BP神经网络算法的对比分析 | 第55-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 车削工件表面粗糙度测量的软件设计 | 第57-67页 |
| 4.1 MATLAB简介 | 第57页 |
| 4.2 系统总体设计方案 | 第57-59页 |
| 4.3 训练模块 | 第59-62页 |
| 4.3.1 样本采集 | 第59-60页 |
| 4.3.2 特征提取 | 第60-61页 |
| 4.3.3 数据整合处理 | 第61页 |
| 4.3.4 BP神经网格训练 | 第61-62页 |
| 4.4 检测模块 | 第62-64页 |
| 4.5 系统可靠性分析 | 第64-66页 |
| 4.6 本章小结 | 第66-67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 |