基于机器视觉冷轧钢板表面检测及分类研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景与意义 | 第9-10页 |
| 1.3 表面缺陷检测方法发展现状 | 第10-15页 |
| 1.3.1 传统无损表面自动检测技术综述 | 第11-12页 |
| 1.3.2 机器视觉表面缺陷检测方法国内外研究 | 第12-13页 |
| 1.3.3 视觉表面缺陷检测算法研究现状 | 第13-15页 |
| 1.4 常见缺陷类型介绍 | 第15-17页 |
| 1.5 研究内容及论文章节安排 | 第17-19页 |
| 第2章 冷轧钢板表面缺陷检测系统分析 | 第19-27页 |
| 2.1 系统实现目标 | 第19页 |
| 2.2 系统方案设计 | 第19-26页 |
| 2.2.1 硬件采集模块 | 第20-23页 |
| 2.2.2 系统检测软件流程设计 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 带钢表面缺陷图像预处理关键技术研究 | 第27-39页 |
| 3.1 图像的亮度补偿 | 第27-35页 |
| 3.1.1 亮度补偿算法研究 | 第27-29页 |
| 3.1.2 基于全局自适应亮度补偿算法 | 第29-32页 |
| 3.1.3 亮度补偿算法实验结果分析 | 第32-35页 |
| 3.2 带钢表面图像滤波去噪过程 | 第35-38页 |
| 3.2.1 滤波去噪算法研究 | 第35-36页 |
| 3.2.2 滤波效果评价 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 带钢表面缺陷图像分割以及快速检测 | 第39-54页 |
| 4.1 带钢缺陷的图像分割 | 第39-47页 |
| 4.1.1 微分算子边缘检测 | 第39-42页 |
| 4.1.2 缺陷区域分割 | 第42-45页 |
| 4.1.3 图像分割实验结果分析 | 第45-47页 |
| 4.2 非缺陷图像的快速滤除 | 第47-53页 |
| 4.2.1 图像复杂度定量描述 | 第47-49页 |
| 4.2.2 复杂度定量标准结果分析 | 第49-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第5章 特征提取以及SVM分类识别 | 第54-72页 |
| 5.1 缺陷图像的特征提取以及特征选择 | 第54-62页 |
| 5.1.1 Roi区域提取 | 第54-55页 |
| 5.1.2 基于形状的特征提取 | 第55-57页 |
| 5.1.3 基于纹理的特征提取 | 第57-60页 |
| 5.1.4 主成分分析法 | 第60-62页 |
| 5.3 基于SVM的分类识别 | 第62-65页 |
| 5.3.1 支持向量机基本原理 | 第63-65页 |
| 5.3.2 SVM多分类 | 第65页 |
| 5.4 参数选择及寻优 | 第65-68页 |
| 5.5 SVM分类实验结果分析 | 第68-71页 |
| 5.6 本章小结 | 第71-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-77页 |
