| 摘要 | 第5-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 课题的研究背景及意义 | 第13-14页 |
| 1.2 射线检测技术的理论、特点以及无损检测技术的发展 | 第14-17页 |
| 1.2.1 射线检测技术的理论、特点 | 第14-15页 |
| 1.2.2 射线无损检测的主要技术 | 第15-17页 |
| 1.3 基于图像的焊接缺陷提取和识别研究概况 | 第17-21页 |
| 1.4 焊接缺陷检测系统总体方案设计与分析 | 第21-23页 |
| 1.4.1 射线源的选择 | 第21-22页 |
| 1.4.2 系统硬件总体结构 | 第22页 |
| 1.4.3 检测系统的软件开发与设计 | 第22-23页 |
| 1.5 本文的主要研究内容 | 第23-25页 |
| 第二章 基于多尺度轮廓数学形态学的焊接缺陷预处理方法 | 第25-38页 |
| 2.1 引言 | 第25页 |
| 2.2 数学形态学变换 | 第25-28页 |
| 2.2.1 数学形态学理论简介 | 第25-26页 |
| 2.2.2 灰度形态学的基本理论 | 第26-28页 |
| 2.2.2.1 灰度膨胀和腐蚀 | 第26-27页 |
| 2.2.2.2 灰度开和闭运算 | 第27-28页 |
| 2.3 CB 数学形态学变换 | 第28-30页 |
| 2.3.1 CB 膨胀和腐蚀 | 第28-29页 |
| 2.3.2 CB 开闭运算 | 第29-30页 |
| 2.4 基于多尺度数学形态学滤波 | 第30-37页 |
| 2.4.1 Top-hat 变换 | 第30-31页 |
| 2.4.2 CB 形态学 Top-hat 变换 | 第31-32页 |
| 2.4.3 基于多尺度 CB 形态学滤波 | 第32-34页 |
| 2.4.4 实验结果及分析 | 第34-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 复杂背景条件下的焊缝区域的提取方法 | 第38-69页 |
| 3.1 引言 | 第38页 |
| 3.2 常见的焊缝区域提取算法 | 第38-44页 |
| 3.2.1 基于直方图的阈值分割法 | 第38-42页 |
| 3.2.2 基于数字减影法的分割 | 第42-43页 |
| 3.2.3 阈值分割质量评价 | 第43-44页 |
| 3.3 基于监督的过渡区的焊缝区域的提取方法 | 第44-68页 |
| 3.3.1 图像过渡区域的特点 | 第45页 |
| 3.3.2 经典的基于过渡区域的阈值分割方法 | 第45-48页 |
| 3.3.3 基于有监督过渡区的焊缝区域的提取 | 第48-57页 |
| 3.3.3.1 模糊理论简介 | 第48-52页 |
| 3.3.3.2 融合局部模糊熵与模糊方差的过渡区域的提取 | 第52-54页 |
| 3.3.3.3 有监督的范围受限的阈值分割 | 第54-55页 |
| 3.3.3.4 实验结果及分析 | 第55-57页 |
| 3.3.4 基于无监督过渡区的焊缝区域的提取 | 第57-68页 |
| 3.3.4.1 基于最小灰度差的过渡区域提取及阈值分割 | 第57-62页 |
| 3.3.4.2 无监督的范围受限的阈值分割 | 第62-63页 |
| 3.3.4.3 实验结果及分析 | 第63-68页 |
| 3.4 本章小结 | 第68-69页 |
| 第四章 基于神经网络的焊接缺陷区域的提取方法 | 第69-90页 |
| 4.1 引言 | 第69页 |
| 4.2 人工神经网络的模型、分类及学习规则 | 第69-72页 |
| 4.3 基于 LVQ 神经网络边缘检测方法研究 | 第72-89页 |
| 4.3.1 边缘及边缘检测的原理 | 第72-77页 |
| 4.3.2 LVQ 神经网络进行边缘检测的模型 | 第77-79页 |
| 4.3.3 图像边缘的特征向量构建 | 第79-81页 |
| 4.3.4 基于图像特征向量与 LVQ 网络的边缘检测 | 第81-86页 |
| 4.3.4.1 LVQ 神经网络的训练 | 第81-84页 |
| 4.3.4.2 边缘细化与感兴趣区域的设定 | 第84-86页 |
| 4.3.5 实验结果及分析 | 第86-87页 |
| 4.3.6 基于 LVQ 神经网络的边缘检测图的二值去噪处理 | 第87-89页 |
| 4.4 本章小结 | 第89-90页 |
| 第五章 基于支持向量机的焊接图像缺陷分类与识别方法 | 第90-120页 |
| 5.1 引言 | 第90页 |
| 5.2 焊接的缺陷种类及各自的特点 | 第90-93页 |
| 5.3 焊缝缺陷特征参数的提取 | 第93-102页 |
| 5.3.1 几何形状特征的提取 | 第94-99页 |
| 5.3.2 灰度特征的提取 | 第99-100页 |
| 5.3.3 目标缺陷在图像上的位置 | 第100页 |
| 5.3.4 目标不变矩特征 | 第100-102页 |
| 5.4 有效特征选择 | 第102-103页 |
| 5.5 基于二叉树的支持向量机 | 第103-117页 |
| 5.5.1 支持向量机的基本理论 | 第104-115页 |
| 5.5.1.1 统计学习理论简介 | 第105-108页 |
| 5.5.1.2 支持向量机 | 第108-111页 |
| 5.5.1.3 核函数理论 | 第111-113页 |
| 5.5.1.4 参数选择 | 第113-115页 |
| 5.5.2 二叉决策树 | 第115-117页 |
| 5.6 基于二叉决策树的支持向量机的焊接图像缺陷分类与识别 | 第117-119页 |
| 5.7 本章小结 | 第119-120页 |
| 第六章 总结与创新点 | 第120-122页 |
| 参考文献 | 第122-127页 |
| 读博期间发表或已接受的论文 | 第127页 |
