基于图像处理的混凝土预制构件裂缝检测系统研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1.绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 图像处理在裂缝检测中的应用 | 第11-12页 |
| 1.4 裂缝常见形态与特征 | 第12-13页 |
| 1.5 研究内容与结构安排 | 第13-15页 |
| 2.裂缝图像预处理 | 第15-27页 |
| 2.1 图像灰度化 | 第15-16页 |
| 2.2 图像增强 | 第16-20页 |
| 2.2.1 图像灰度修正 | 第17-19页 |
| 2.2.2 图像直方图均衡 | 第19-20页 |
| 2.3 图像滤波 | 第20-25页 |
| 2.3.1 邻域平均法 | 第20-23页 |
| 2.3.2 自适应中值滤波 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3.裂缝图像分割 | 第27-47页 |
| 3.1 传统图像分割方法 | 第27-32页 |
| 3.1.1 边缘检测 | 第27-29页 |
| 3.1.2 阈值分割 | 第29-30页 |
| 3.1.3 最大类间方差法 | 第30-32页 |
| 3.2 脉冲耦合神经网络 | 第32-36页 |
| 3.2.1 脉冲耦合神经网络模型 | 第32-34页 |
| 3.2.2 脉冲耦合神经网络工作原理 | 第34-35页 |
| 3.2.3 简化的PCNN模型 | 第35-36页 |
| 3.3 遗传算法 | 第36-39页 |
| 3.3.1 遗传算法的基本原理 | 第36-37页 |
| 3.3.2 遗传算法基本术语 | 第37-38页 |
| 3.3.3 遗传算法基本操作 | 第38-39页 |
| 3.4 基于遗传算法的PCNN图像分割 | 第39-45页 |
| 3.4.1 GA-PCNN参数编码 | 第39-40页 |
| 3.4.2 GA-PCNN适应度函数 | 第40-41页 |
| 3.4.3 GA-PCNN算法流程 | 第41-42页 |
| 3.4.4 实验结果对比分析 | 第42-45页 |
| 3.5 本章小结 | 第45-47页 |
| 4.裂缝图像的分析与识别 | 第47-57页 |
| 4.1 裂缝图像形态学处理 | 第47-48页 |
| 4.2 连通区域标记 | 第48-50页 |
| 4.3 特征提取 | 第50-53页 |
| 4.3.1 区域面积A | 第50页 |
| 4.3.2 区域周长P | 第50-51页 |
| 4.3.3 外接矩形长RL和宽RW | 第51页 |
| 4.3.4 矩形度R | 第51页 |
| 4.3.5 圆形度C | 第51-53页 |
| 4.4 裂缝目标识别 | 第53页 |
| 4.5 裂缝片段连接 | 第53-54页 |
| 4.6 裂缝特征测量 | 第54-56页 |
| 4.7 本章小结 | 第56-57页 |
| 5.预制构件裂缝检测系统设计 | 第57-67页 |
| 5.1 图像采集系统 | 第57-60页 |
| 5.1.1 图像传感器选择 | 第57-59页 |
| 5.1.2 光源选择 | 第59-60页 |
| 5.2 图像尺寸标定 | 第60-61页 |
| 5.2.1 摄像头距离范围的确定 | 第60-61页 |
| 5.2.2 单位像素的尺寸标定 | 第61页 |
| 5.3 裂缝检测软件系统设计 | 第61-62页 |
| 5.4 系统验证与分析 | 第62-65页 |
| 5.5 本章小结 | 第65-67页 |
| 6.总结与展望 | 第67-69页 |
| 6.1 总结 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第75页 |
