| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 主要研究内容 | 第12-15页 |
| 第二章 输送带机器视觉定位技术总体方案 | 第15-23页 |
| 2.1 输送带表面故障视觉在线监测系统 | 第15-18页 |
| 2.1.1 视觉监测系统的总体结构 | 第15-17页 |
| 2.1.2 视觉监测装置 | 第17-18页 |
| 2.2 输送带机器视觉定位方法研究 | 第18-22页 |
| 2.2.1 总体流程图 | 第18-19页 |
| 2.2.2 输送带的标记 | 第19-21页 |
| 2.2.3 带标记输送带图像的处理与分析 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 带标记输送带图像的预处理 | 第23-31页 |
| 3.1 带标记输送带图像的噪声特性分析 | 第23页 |
| 3.2 带标记输送带图像的去噪方法 | 第23-30页 |
| 3.2.1 均值滤波 | 第24-26页 |
| 3.2.2 中值滤波 | 第26-28页 |
| 3.2.3 高斯滤波 | 第28-29页 |
| 3.2.4 实验及结果分析 | 第29-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第四章 基于视觉显著性和卷积神经网络的输送带标记定位 | 第31-53页 |
| 4.1 基于视觉显著性的输送带标记的粗定位 | 第31-46页 |
| 4.1.1 谱残差模型 | 第31-34页 |
| 4.1.2 输送带标记的谱残差视觉显著性实验与分析 | 第34-35页 |
| 4.1.3 基于谱残差显著性的输送带标记定位算法 | 第35-36页 |
| 4.1.4 输送带标记显著图的分割 | 第36-43页 |
| 4.1.5 基于谱残差显著性的输送带标记定位算法实验与分析 | 第43-46页 |
| 4.2 基于卷积神经网络的输送带标记的精确定位 | 第46-51页 |
| 4.2.1 改进的网络模型结构 | 第47-49页 |
| 4.2.2 实验相关环境及数据集 | 第49-50页 |
| 4.2.3 实验结果与分析 | 第50-51页 |
| 4.3 实验结果与分析 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于深度学习的输送带标记识别 | 第53-61页 |
| 5.1 深度学习结构模型及其改进方法 | 第53-58页 |
| 5.2 数据集 | 第58页 |
| 5.3 实验结果与对比分析 | 第58-60页 |
| 5.3.1 网络相关训练参数设置 | 第58页 |
| 5.3.2 改进的AlexNet模型对数据集的结果与分析 | 第58-59页 |
| 5.3.3 出错样本实验分析 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 基于机器视觉的输送带表面故障定位模块实验研究 | 第61-65页 |
| 6.1 系统界面 | 第61-62页 |
| 6.2 故障定位性能测试 | 第62-64页 |
| 6.3 本章小结 | 第64-65页 |
| 第七章 总结与展望 | 第65-67页 |
| 7.1 总结 | 第65-66页 |
| 7.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 发表论文和参加科研情况 | 第71-73页 |
| 致谢 | 第73页 |
