基于机器视觉的带钢表面缺陷识别研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·研究意义 | 第7-8页 |
| ·课题的来源 | 第8页 |
| ·国内外研究现状 | 第8-10页 |
| ·国外研究现状 | 第9页 |
| ·国内研究现状 | 第9-10页 |
| ·课题的研究内容 | 第10-11页 |
| 2 带钢表面缺陷识别系统方案设计 | 第11-14页 |
| ·整体方案设计 | 第11页 |
| ·图像识别部分的设计 | 第11-14页 |
| 3 图像处理 | 第14-31页 |
| ·图像预处理 | 第14-23页 |
| ·均值滤波 | 第15-16页 |
| ·中值滤波 | 第16-17页 |
| ·自适应中值滤波 | 第17-18页 |
| ·维纳滤波 | 第18-19页 |
| ·四种滤波器的滤波效果对比 | 第19-22页 |
| ·小结与分析 | 第22-23页 |
| ·图像有无缺陷检测 | 第23页 |
| ·图像分割 | 第23-29页 |
| ·基于一阶微分的边缘检测算子 | 第24-26页 |
| ·二阶边缘检测算子 | 第26-27页 |
| ·Canny算子 | 第27页 |
| ·Log滤波方法 | 第27-28页 |
| ·缺陷图像分割算法比较 | 第28-29页 |
| ·本章小结 | 第29-31页 |
| 4 特征提取和选择 | 第31-46页 |
| ·样本的选取 | 第31-33页 |
| ·形态特征 | 第33-40页 |
| ·Hu不变矩的算法及其物理意义 | 第33-35页 |
| ·Hu不变矩的基本性质 | 第35-40页 |
| ·灰度特征 | 第40-42页 |
| ·纹理特征 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 5 主成分分析 | 第46-54页 |
| ·主成分分析简介 | 第46-50页 |
| ·主成分分析基本定义和性质 | 第47-48页 |
| ·主成分分析的算法和步骤 | 第48-49页 |
| ·主成分分析对数据的要求 | 第49页 |
| ·主成分分析中的相关问题解释 | 第49-50页 |
| ·特征提取中主成分的实际应用 | 第50-51页 |
| ·主成分分析可分性分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 6 缺陷识别方法研究 | 第54-66页 |
| ·模式识别基本原理 | 第54-56页 |
| ·模式识别概念 | 第54-55页 |
| ·模式识别方法 | 第55-56页 |
| ·基于神经网络的分类器设计 | 第56-61页 |
| ·神经网络的基本概念 | 第56-58页 |
| ·BP神经网络 | 第58-59页 |
| ·RBF神经网络 | 第59-60页 |
| ·最近邻聚类学习算法改进RBF神经网络 | 第60-61页 |
| ·实验仿真分析 | 第61-65页 |
| ·小结 | 第65-66页 |
| 7 总结与展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-70页 |
