基于机器视觉的罐盖缺陷检测
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第14-19页 |
| 1.1 课题研究的背景 | 第14页 |
| 1.2 课题研究的意义 | 第14-15页 |
| 1.3 国内外研究现状介绍 | 第15-17页 |
| 1.3.1 机器视觉在罐盖检测及相关的应用 | 第15-17页 |
| 1.3.2 罐盖检测目前存存如下问题 | 第17页 |
| 1.4 论文主要内容及结构安排 | 第17-19页 |
| 2 罐盖缺陷检测算法的研究 | 第19-35页 |
| 2.1 罐盖图像预处理流程 | 第19-22页 |
| 2.1.1 形态学变换 | 第20页 |
| 2.1.2 图像滤波 | 第20页 |
| 2.1.3 均值滤波 | 第20-21页 |
| 2.1.4 图像分割 | 第21-22页 |
| 2.2 罐盖中心的提取 | 第22-31页 |
| 2.2.1 Hough变换处理圆 | 第23-24页 |
| 2.2.2 最小二乘法处理圆 | 第24-25页 |
| 2.2.3 基于遗传算法和非线性规划处理圆度误差 | 第25-29页 |
| 2.2.4 四种定位圆心半径方法对比 | 第29-31页 |
| 2.3 缺陷区域的提取与分离 | 第31-32页 |
| 2.4 罐盖各区域缺陷检测 | 第32-33页 |
| 2.4.1 外径检测 | 第32页 |
| 2.4.2 内圆检测 | 第32页 |
| 2.4.3 注胶区域检测 | 第32-33页 |
| 2.5 实验结果与分析 | 第33-35页 |
| 3 金属罐盖的机器学习分类算法研究 | 第35-46页 |
| 3.1 本章引论 | 第35-36页 |
| 3.2 模式识别与神经网络 | 第36-39页 |
| 3.2.1 常用的模式识别法 | 第36页 |
| 3.2.2 单隐含层前馈神经网络 | 第36-37页 |
| 3.2.3 单隐含层前馈神经网络的传统学习算法 | 第37-39页 |
| 3.2.4 BP神经网络缺点 | 第39页 |
| 3.3 极限学习机理论 | 第39-40页 |
| 3.4 罐盖缺陷分类器特征选择 | 第40-43页 |
| 3.4.1 形态特征 | 第41页 |
| 3.4.2 空域纹理特征 | 第41-42页 |
| 3.4.3 频域纹理特征 | 第42页 |
| 3.4.4 机器学习特征提取 | 第42-43页 |
| 3.5 实验仿真与分析 | 第43-46页 |
| 4 罐盖缺陷检测系统软件的设计 | 第46-50页 |
| 4.1 软件结构设计 | 第46-48页 |
| 4.2 具体实现 | 第48页 |
| 4.3 本章小结 | 第48-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 作者简历 | 第55页 |
