基于支持向量机的齿轮表面缺陷在线分类及优化
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 表面缺陷检测的国内外研究现状 | 第11-12页 |
| 1.2.2 支持向量机的国内外研究现状 | 第12-15页 |
| 1.3 本文的组织结构 | 第15-16页 |
| 第2章 齿轮表面缺陷图像的预处理 | 第16-25页 |
| 2.1 图像增强 | 第16-18页 |
| 2.2 图像平滑去噪 | 第18-20页 |
| 2.3 图像分割 | 第20-23页 |
| 2.4 边缘检测 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 表面缺陷的特征提取与分类 | 第25-44页 |
| 3.1 特征提取与选择概述 | 第25-26页 |
| 3.2 齿轮表面缺陷的特征提取 | 第26-34页 |
| 3.2.1 Hu不变矩特征提取 | 第26-30页 |
| 3.2.2 几何特征提取 | 第30-32页 |
| 3.2.3 均值方差特征提取 | 第32-33页 |
| 3.2.4 傅里叶描述子特征提取 | 第33-34页 |
| 3.3 分类器的选择与构造 | 第34-39页 |
| 3.3.1 支持向量机原理 | 第34-38页 |
| 3.3.2 支持向量机多分类器原理 | 第38-39页 |
| 3.4 表面缺陷的分类 | 第39-43页 |
| 3.4.1 特征的择优 | 第39-40页 |
| 3.4.2 实验结果及分析 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 在线表面缺陷分类的优化 | 第44-62页 |
| 4.1 在线分类正确率的优化 | 第44-57页 |
| 4.1.1 网格搜索法优化 | 第44-46页 |
| 4.1.2 粒子群算法优化 | 第46-50页 |
| 4.1.3 遗传算法优化 | 第50-54页 |
| 4.1.4 免疫算法优化 | 第54-57页 |
| 4.2 正确率优化对比分析 | 第57-58页 |
| 4.3 在线分类速度的提高 | 第58-60页 |
| 4.3.1 亲和度计算的改进 | 第58-59页 |
| 4.3.2 改进后的优化结果 | 第59-60页 |
| 4.4 识别速度的对比分析 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
