| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 荧光磁粉检测技术研究与发展现状 | 第9-11页 |
| 1.2.2 荧光磁粉图像识别技术的研究与发展现状 | 第11-12页 |
| 1.3 课题来源及主要研究内容 | 第12-14页 |
| 1.4 本章小结 | 第14-15页 |
| 2 荧光磁粉智能无损检测系统设计 | 第15-23页 |
| 2.1 荧光磁粉检测成像原理 | 第15-16页 |
| 2.2 系统设计指标 | 第16-17页 |
| 2.3 系统方案 | 第17-22页 |
| 2.3.1 图像采集平台 | 第18-20页 |
| 2.3.2 图像预处理 | 第20-21页 |
| 2.3.3 图像特征提取 | 第21页 |
| 2.3.4 荧光磁粉图像分类 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 荧光磁粉图像预处理算法 | 第23-41页 |
| 3.1 图像去噪算法 | 第23-29页 |
| 3.1.1 均值滤波器 | 第23-24页 |
| 3.1.2 中值滤波器 | 第24-25页 |
| 3.1.3 自适应中心加权中值滤波器 | 第25-27页 |
| 3.1.4 图像去噪算法实验对比与分析 | 第27-29页 |
| 3.2 图像阈值分割算法 | 第29-35页 |
| 3.2.1 固定阈值分割法 | 第30页 |
| 3.2.2 最佳阈值法 | 第30-32页 |
| 3.2.3 局部阈值分割法 | 第32-33页 |
| 3.2.4 图像阈值分割算法实验对比与分析 | 第33-35页 |
| 3.3 图像增强算法 | 第35-40页 |
| 3.3.1 膨胀 | 第35-37页 |
| 3.3.2 腐蚀 | 第37-39页 |
| 3.3.3 膨胀腐蚀实验结果分析 | 第39-40页 |
| 3.4本章小结 | 第40-41页 |
| 4 荧光磁粉缺陷图像特征提取算法 | 第41-50页 |
| 4.1 常见缺陷成因及磁粉痕迹分析 | 第41-44页 |
| 4.2 缺陷图像常见的数学特征 | 第44-45页 |
| 4.3 基于主成分分析法的荧光磁粉缺陷图像特征提取 | 第45-49页 |
| 4.3.1 主成分分析法原理 | 第45-47页 |
| 4.3.2 缺陷图像的PCA特征提取 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 荧光磁粉图像分类方法 | 第50-63页 |
| 5.1 荧光磁粉图像模式识别方法 | 第50-53页 |
| 5.2 BP神经网络原理 | 第53-58页 |
| 5.3 基于PCA的BP神经网络分类判别器设计 | 第58-62页 |
| 5.3.1 输入层的设计 | 第59-60页 |
| 5.3.2 隐藏层的设计 | 第60页 |
| 5.3.3 输出层的设计 | 第60-61页 |
| 5.3.4 相关参数的选择 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 6 系统实现及实验结果分析 | 第63-76页 |
| 6.1 系统实现 | 第63-65页 |
| 6.2 荧光磁粉图像预处理实验 | 第65-67页 |
| 6.3 基于主成分分析法的特征提取实验 | 第67-68页 |
| 6.4 BP神经网络分类器设计实验 | 第68-70页 |
| 6.4.1 BP神经网络隐藏层节点数目设计实验 | 第68-69页 |
| 6.4.2 学习速率的设置实验 | 第69-70页 |
| 6.5 工件的分类识别实验及分析 | 第70-75页 |
| 6.5.1 训练样本和测试样本的选择 | 第70-71页 |
| 6.5.2 与其他检测方法的对比实验与分析 | 第71-72页 |
| 6.5.3 荧光磁粉智能无损检测系统实验结果及对比分析 | 第72-75页 |
| 6.6 本章小结 | 第75-76页 |
| 结论 | 第76-78页 |
| 致谢 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第84页 |