| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 缺陷检测算法评价指标 | 第14-15页 |
| 1.3.1 客观评价标准 | 第14-15页 |
| 1.3.2 主观评价标准 | 第15页 |
| 1.4 本文研究内容和结构 | 第15-17页 |
| 2 结构型纹理背景工业产品图像缺陷分类方法介绍 | 第17-36页 |
| 2.1 结构型纹理背景的工业产品图像特征提取算法 | 第17-23页 |
| 2.1.1 灰度共生矩阵 | 第18-20页 |
| 2.1.2 局部二值化模式 | 第20-23页 |
| 2.2 结构型纹理背景的工业产品图像分类算法 | 第23-30页 |
| 2.2.1 支持向量机 | 第23-26页 |
| 2.2.2 人工神经网络 | 第26-30页 |
| 2.3 矩阵低秩逼近相关方法综述 | 第30-35页 |
| 2.3.1 奇异值分解 | 第30-31页 |
| 2.3.2 鲁棒主成分分析 | 第31-34页 |
| 2.3.3 应用 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 3 基于ELM的待测结构型纹理背景表面图像分类方法 | 第36-44页 |
| 3.1 实验数据 | 第36页 |
| 3.2 特征提取 | 第36-39页 |
| 3.2.1 SD特征 | 第36-38页 |
| 3.2.2 GLCM特征 | 第38-39页 |
| 3.3 分类器设计 | 第39-40页 |
| 3.4 实验步骤及结果分析 | 第40-42页 |
| 3.4.1 基于M-LBP以及SD特征分类方法的实验步骤 | 第40-41页 |
| 3.4.2 基于GLCM特征和ELM分类的实验步骤 | 第41-42页 |
| 3.4.3 结果对比及分析 | 第42页 |
| 3.5 本章小结 | 第42-44页 |
| 4 基于广义低秩逼近算法的缺陷区域提取方法 | 第44-55页 |
| 4.1 背景建模 | 第44-48页 |
| 4.2 背景差分和阈值分割 | 第48页 |
| 4.3 实验结果及分析 | 第48-54页 |
| 4.3.1 结构型纹理背景工业产品表面图像缺陷提取 | 第48-52页 |
| 4.3.2 光照的影响 | 第52-53页 |
| 4.3.3 旋转的影响 | 第53-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第62-64页 |
| 学位论文数据集 | 第64页 |
