| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 论文的研究背景和意义 | 第9-11页 |
| 1.2 计算机视觉在产品质量检测中的应用 | 第11-17页 |
| 1.2.1 计算机视觉理论的发展 | 第11-12页 |
| 1.2.2 计算机视觉技术的应用 | 第12-15页 |
| 1.2.3 基于视觉的西林瓶缺陷检测 | 第15-17页 |
| 1.3 论文的主要研究内容与结构安排 | 第17-18页 |
| 第二章 西林瓶感兴趣区域提取算法 | 第18-25页 |
| 2.1 基于相位一致性的边缘检测和区域生长相结合的分割算法 | 第19-20页 |
| 2.1.1 基于相位一致性的边缘检测 | 第19-20页 |
| 2.1.2 基于边缘的区域增长 | 第20页 |
| 2.2 基于meanshift的随机游走图像分割算法 | 第20-22页 |
| 2.3 基于Otsu阈值分割和图像分块相结合的图像分割算法 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 西林瓶感兴趣区域特征提取算法 | 第25-47页 |
| 3.1 图像特征的分类 | 第25-28页 |
| 3.1.1 点特征 | 第25-26页 |
| 3.1.2 线特征 | 第26页 |
| 3.1.3 面特征 | 第26页 |
| 3.1.4 纹理特征 | 第26-27页 |
| 3.1.5 颜色特征 | 第27-28页 |
| 3.2 BOF特征模型 | 第28-31页 |
| 3.3 LBP特征提取算法 | 第31-36页 |
| 3.3.1 LBP特征描述子的提取 | 第32-33页 |
| 3.3.2 LBP算子的均匀模式 | 第33-34页 |
| 3.3.3 LBP算子的旋转不变模式 | 第34-35页 |
| 3.3.4 LBP特征向量的提取流程 | 第35-36页 |
| 3.4 HOG特征提取算法 | 第36-39页 |
| 3.5 SIFT特征提取算法 | 第39-43页 |
| 3.6 SURF特征提取算法 | 第43-44页 |
| 3.7 生成图像的最终特征向量 | 第44-46页 |
| 3.7.1 最佳聚类数的确定 | 第44-46页 |
| 3.7.2 特征词典的生成 | 第46页 |
| 3.8 本章小结 | 第46-47页 |
| 第四章 基于SVM的西林瓶图像分类识别 | 第47-56页 |
| 4.1 支持向量机分类算法 | 第47-51页 |
| 4.1.1 支持向量机理论基础 | 第47-48页 |
| 4.1.2 支持向量机原理 | 第48-49页 |
| 4.1.3 核函数 | 第49-51页 |
| 4.2 西林瓶盖缺陷检测结果 | 第51-54页 |
| 4.2.1 不同ROI提取算法的样本识别精度比较 | 第52-53页 |
| 4.2.2 不同特征提取算法的样本识别精度比较 | 第53页 |
| 4.2.3 不同ROI提取算法的样本检测速度比较 | 第53-54页 |
| 4.3 药品分层缺陷检测结果 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 发表论文和科研情况说明 | 第61-62页 |
| 致谢 | 第62页 |
