| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 前言 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 表面粗糙度测量技术综述 | 第8-11页 |
| 1.2.1 发展历史 | 第8-9页 |
| 1.2.2 国内外研究方法现状 | 第9-11页 |
| 1.3 课题研究目的、内容和方法 | 第11-12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第二章 表面粗糙度和粗糙面散射理论 | 第14-23页 |
| 2.1 表面粗糙度理论 | 第14-18页 |
| 2.1.1 表面粗糙度成因及定义 | 第14-15页 |
| 2.1.2 表面粗糙度相关规定 | 第15-16页 |
| 2.1.3 表面粗糙度评定参数 | 第16-18页 |
| 2.2 散斑理论 | 第18-19页 |
| 2.2.1 散斑的形成 | 第18-19页 |
| 2.2.2 散斑与表面粗糙度的联系 | 第19页 |
| 2.3 粗糙面散射理论 | 第19-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 散斑图像采集与图像预处理 | 第23-30页 |
| 3.1 图像采集系统 | 第23-25页 |
| 3.1.1 采集系统介绍 | 第23-24页 |
| 3.1.2 图像采集角度 | 第24-25页 |
| 3.2 图像预处理 | 第25-29页 |
| 3.2.1 图像处理概述 | 第25-26页 |
| 3.2.2 图像截取与图像噪声处理 | 第26-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第四章 基于A-RF算法的零件工艺类型检测 | 第30-44页 |
| 4.1 零件表面工艺类型检测整体框架 | 第30-31页 |
| 4.2 散斑图像的多特征提取 | 第31-37页 |
| 4.2.1 基于空间平均法的特征提取 | 第31-33页 |
| 4.2.2 基于灰度共生矩阵的特征提取 | 第33-34页 |
| 4.2.3 基于Tamura纹理特征法的特征提取 | 第34-37页 |
| 4.3 基于A-RF算法的表面工艺类型分类 | 第37-43页 |
| 4.3.1 分类器选择 | 第37页 |
| 4.3.2 基于经典的RF算法的分类器构建 | 第37-39页 |
| 4.3.3 基于A-RF算法的零件工艺类型检测 | 第39-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 基于MPML算法的表面粗糙度检测 | 第44-55页 |
| 5.1 表面粗糙度检测整体框架 | 第44-45页 |
| 5.2 MPML算法参数描述 | 第45-51页 |
| 5.2.1 A-RF分类学习参数 | 第45页 |
| 5.2.2 多特征描述子相关性参数 | 第45-49页 |
| 5.2.3 基于互信息量的多特征描述子构建 | 第49-51页 |
| 5.3 基于MPML算法的表面粗糙度模型学习 | 第51-54页 |
| 5.3.1 基于MPML算法的表面粗糙度学习整体框架 | 第51-52页 |
| 5.3.2 基于MPML算法的粗糙度模型建立 | 第52-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第六章 实验与分析 | 第55-63页 |
| 6.1 零件表面工艺类型与粗糙度检测整体框架 | 第55页 |
| 6.2 零件散斑图像预处理实验 | 第55-56页 |
| 6.3 基于A-RF的零件工艺类别检测实验 | 第56-59页 |
| 6.3.1 数据训练集 | 第56-57页 |
| 6.3.2 实验分析 | 第57-59页 |
| 6.4 基于MPML的零件表面粗糙度检测实验 | 第59-62页 |
| 6.5 本章小结 | 第62-63页 |
| 第七章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 作者在攻读硕士学位期间学术成果 | 第70页 |