面向汽车无线充电的异物检测装置研制
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.1.1 课题背景 | 第9-10页 |
| 1.1.2 课题研究的目的和意义 | 第10页 |
| 1.2 国内外研究进展 | 第10-15页 |
| 1.2.1 国外研究进展 | 第10-13页 |
| 1.2.2 国内研究进展 | 第13-15页 |
| 1.3 国内外文献综述的简析 | 第15页 |
| 1.4 本文主要研究内容 | 第15-17页 |
| 第2章 异物检测系统方案设计 | 第17-26页 |
| 2.1 引言 | 第17页 |
| 2.2 异物检测系统需求分析 | 第17-18页 |
| 2.3 异物检测系统总体方案 | 第18-23页 |
| 2.3.1 基于图像的异物检测装置总体方案 | 第18-21页 |
| 2.3.2 基于电磁感应的异物检测装置总体方案 | 第21-23页 |
| 2.4 异物检测方法 | 第23-25页 |
| 2.4.1 基于机器视觉的异物检测方法 | 第23-24页 |
| 2.4.2 基于电磁感应的异物检测方法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于机器视觉的异物检测方法 | 第26-45页 |
| 3.1 引言 | 第26页 |
| 3.2 检测区域的识别和定位 | 第26-30页 |
| 3.2.1 颜色追踪 | 第27-28页 |
| 3.2.2 图像滤波 | 第28-29页 |
| 3.2.3 区域提取 | 第29-30页 |
| 3.3 异物检测图像处理算法 | 第30-37页 |
| 3.3.1 背景建模 | 第32-33页 |
| 3.3.2 图片灰度化 | 第33-35页 |
| 3.3.3 图像分割 | 第35-36页 |
| 3.3.4 形态学滤波 | 第36-37页 |
| 3.3.5 特征提取 | 第37页 |
| 3.4 机器学习分类识别 | 第37-44页 |
| 3.4.1 样本数据采集与标签化 | 第38-39页 |
| 3.4.2 学习特征提取 | 第39-41页 |
| 3.4.3 学习模型选取与设计 | 第41-42页 |
| 3.4.4 训练结果调优 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于电磁感应的异物检测方法 | 第45-52页 |
| 4.1 引言 | 第45页 |
| 4.2 电磁感应检测金属异物的原理 | 第45-46页 |
| 4.3 检测系统设计 | 第46-48页 |
| 4.3.1 线圈探头设计 | 第46-48页 |
| 4.3.2 转换电路设计 | 第48页 |
| 4.4 检测算法软件设计 | 第48-51页 |
| 4.4.1 数据分析与信号滤波 | 第49-50页 |
| 4.4.2 阈值提取 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 异物检测设备测试 | 第52-59页 |
| 5.1 引言 | 第52页 |
| 5.2 实验平台与环境 | 第52-54页 |
| 5.2.1 基于机器视觉的异物检测设备 | 第52-53页 |
| 5.2.2 基于电磁感应的异物检测设备 | 第53-54页 |
| 5.3 设备测试 | 第54-58页 |
| 5.3.1 视觉设备 | 第54-56页 |
| 5.3.2 电磁感应设备 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66页 |
