| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题来源 | 第10页 |
| 1.2 研究的目的及意义 | 第10-11页 |
| 1.3 相关领域国内外研究现状 | 第11-16页 |
| 1.3.1 刀具磨损状态检测技术发展概况 | 第11-12页 |
| 1.3.2 基于机器视觉刀具磨损检测研究现状 | 第12-14页 |
| 1.3.3 基于深度学习的图像识别研究现状 | 第14-15页 |
| 1.3.4 图像拼接技术研究现状 | 第15-16页 |
| 1.4 论文主要研究内容 | 第16-17页 |
| 第2章 刀具磨损状态分析及刀具磨损视觉检测原理 | 第17-31页 |
| 2.1 引言 | 第17页 |
| 2.2 刀具磨损过程 | 第17-18页 |
| 2.2.1 刀具磨损形态 | 第17页 |
| 2.2.2 刀具磨损过程 | 第17-18页 |
| 2.3 基于机器视觉刀具磨损图像采集 | 第18-21页 |
| 2.3.1 硬件方案确定 | 第18-20页 |
| 2.3.2 图像采集定位 | 第20-21页 |
| 2.4 基于图像识别刀具磨损量测量 | 第21-30页 |
| 2.4.1 刀具磨损图像预处理 | 第21-27页 |
| 2.4.2 刀具磨损量测量方法研究 | 第27-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 铣削刀具磨损在机检测 | 第31-51页 |
| 3.1 引言 | 第31页 |
| 3.2 基于机器视觉的刀具磨损检测系统动态识别设计 | 第31-32页 |
| 3.2.1 基于机器视觉刀具磨损动态采集方案设计 | 第31-32页 |
| 3.2.2 磨损区域的旋转不变特征提取 | 第32页 |
| 3.3 刀具磨损检测系统图像拼接技术 | 第32-38页 |
| 3.3.1 基于SIFT图像配准 | 第33-36页 |
| 3.3.2 图像的融合 | 第36-37页 |
| 3.3.3 实验结果分析 | 第37-38页 |
| 3.4 刀具磨损自动识别验证实验 | 第38-50页 |
| 3.4.1 立铣刀刀具磨损图像采集实验 | 第38-42页 |
| 3.4.2 球头铣刀刀具磨损图像采集实验 | 第42-45页 |
| 3.4.3 刀具磨损识别实验分析 | 第45-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 基于卷积神经网络刀具磨损类型智能识别 | 第51-67页 |
| 4.1 引言 | 第51页 |
| 4.2 基于深度学习的图像识别 | 第51-56页 |
| 4.2.1 深度信念网络 | 第51-52页 |
| 4.2.2 卷积神经网络 | 第52-55页 |
| 4.2.3 循环神经网络 | 第55-56页 |
| 4.3 基于卷积神经网络的刀具磨损状态识别 | 第56-60页 |
| 4.3.1 刀具磨损类型识别框架 | 第56-57页 |
| 4.3.2 刀具磨损状态识别网络结构设计 | 第57-58页 |
| 4.3.3 无监督的预训练 | 第58-60页 |
| 4.4 实验结果和分析 | 第60-65页 |
| 4.4.1 刀具磨损状态识别实验数据集 | 第60-62页 |
| 4.4.2 实验数据设置 | 第62-63页 |
| 4.4.3 实验结果分析 | 第63-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第5章 基于机器视觉刀具磨损监测系统设计及应用 | 第67-75页 |
| 5.1 基于机器视觉的刀具磨损检测系统软件设计 | 第67-71页 |
| 5.1.1 基于机器视觉的刀具磨损检测系统软件总体设计流程 | 第67-68页 |
| 5.1.2 刀具磨损检测系统图像采集设计 | 第68-69页 |
| 5.1.3 刀具磨损检测系统图像处理模块设计 | 第69页 |
| 5.1.4 刀具磨损检测系统刀具磨损类型识别模块设计 | 第69-71页 |
| 5.2 刀具磨损检测系统BTA深孔钻磨损检测应用 | 第71-74页 |
| 5.2.1 深孔钻刀具磨损分析 | 第71页 |
| 5.2.2 实验结果分析 | 第71-74页 |
| 5.3 本章小结 | 第74-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-80页 |
| 攻读硕士期间发表的学术论文及研究成果 | 第80-81页 |
| 致谢 | 第81页 |
