基于机器视觉的小模数蜗杆表面缺陷检测技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 小模数蜗杆检测现状 | 第10-11页 |
| 1.2.2 机器视觉缺陷检测技术发展现状 | 第11-14页 |
| 1.2.3 机器视觉缺陷检测算法研究现状 | 第14-16页 |
| 1.3 课题来源及研究内容 | 第16-17页 |
| 第2章 蜗杆表面图像采集平台的搭建 | 第17-27页 |
| 2.1 小模数蜗杆常见表面缺陷分析 | 第17-18页 |
| 2.2 视觉图像采集系统布局设计 | 第18-19页 |
| 2.3 硬件设备选型 | 第19-23页 |
| 2.3.1 工业相机选择 | 第19-21页 |
| 2.3.2 镜头选择 | 第21页 |
| 2.3.3 光源及照明方式选择 | 第21-23页 |
| 2.4 图像采集实验 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 蜗杆表面缺陷提取算法研究 | 第27-39页 |
| 3.1 图像预处理 | 第27-29页 |
| 3.2 蜗杆表面图像分割方法 | 第29-32页 |
| 3.3 基于形态学方法的缺陷提取算法 | 第32-38页 |
| 3.3.1 齿顶类缺陷提取 | 第33-34页 |
| 3.3.2 齿厚类缺陷提取 | 第34-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 缺陷特征提取及分类器设计 | 第39-51页 |
| 4.1 缺陷特征提取 | 第39-41页 |
| 4.1.1 几何特征提取 | 第39-40页 |
| 4.1.2 直方图统计特征提取 | 第40-41页 |
| 4.2 基于随机森林的特征选择算法 | 第41-43页 |
| 4.3 分类器选择及模型建立 | 第43-47页 |
| 4.3.1 常用分类方法分析 | 第43-44页 |
| 4.3.2 支持向量机分类器 | 第44-47页 |
| 4.4 支持向量机参数的确定 | 第47-49页 |
| 4.4.1 支持向量机参数 | 第47-48页 |
| 4.4.2 改进粒子群参数优化算法 | 第48-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第5章 缺陷检测算法测试 | 第51-61页 |
| 5.1 缺陷检测实验及结果分析 | 第51-57页 |
| 5.1.1 图像缺陷提取结果 | 第51页 |
| 5.1.2 缺陷特征数据及归一化 | 第51-52页 |
| 5.1.3 缺陷分类结果分析 | 第52-55页 |
| 5.1.4 表面缺陷检测时间效率分析 | 第55-57页 |
| 5.2 外部环境影响实验 | 第57-60页 |
| 5.2.1 图像亮度测试实验 | 第57-58页 |
| 5.2.2 蜗杆转速影响实验 | 第58-59页 |
| 5.2.3 振动影响实验 | 第59-60页 |
| 5.3 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间所发表的学术成果 | 第67-69页 |
| 致谢 | 第69页 |
