基于模式识别技术的焊点自动光学检测算法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-33页 |
| ·研究背景、目的和意义 | 第12-14页 |
| ·研究背景 | 第12-13页 |
| ·研究目的和意义 | 第13-14页 |
| ·AOI 系统介绍 | 第14-21页 |
| ·AOI 系统的结构 | 第14-18页 |
| ·焊点图像模型建立方法 | 第18-21页 |
| ·PCB 的定位补偿和路径优化 | 第21-22页 |
| ·焊点合格/不合格二分类 | 第22-24页 |
| ·基于特征的图像分析的算法 | 第22-23页 |
| ·基于统计建模的图像对比的算法 | 第23-24页 |
| ·焊点的特征选择算法 | 第24-27页 |
| ·信息增益 | 第25页 |
| ·遗传算法 | 第25-27页 |
| ·对焊点多分类算法的总结与拓展 | 第27-31页 |
| ·统计模式识别 | 第27页 |
| ·神经网络 | 第27-30页 |
| ·支持向量机 | 第30-31页 |
| ·本文的研究内容与结构 | 第31-33页 |
| 第二章 定位补偿和路径优化 | 第33-46页 |
| ·引言 | 第33页 |
| ·AOI 定位中得位置误差补偿 | 第33-38页 |
| ·焊点定位方法 | 第36-38页 |
| ·路径优化 | 第38-44页 |
| ·HopField 神经网络 | 第39-44页 |
| ·本章实验 | 第44页 |
| ·路径优化实验 | 第44页 |
| ·本章小结 | 第44-46页 |
| 第三章 焊点二分类算法 | 第46-62页 |
| ·引言 | 第46页 |
| ·AOI 的缺陷检测原理 | 第46-55页 |
| ·基于特征的图像分析的算法 | 第48-49页 |
| ·基于统计建模的图像匹配算法 | 第49-55页 |
| ·最小风险贝叶斯分类器 | 第55-57页 |
| ·ADABOOST 集成算法 | 第57-59页 |
| ·本章实验研究 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 第四章 焊点特征提取与选择 | 第62-79页 |
| ·引言 | 第62-63页 |
| ·焊点特征提取 | 第63-65页 |
| ·焊点特征选择算法 | 第65-67页 |
| ·按照搜索策略划分 | 第65-66页 |
| ·按照评价准则划分 | 第66-67页 |
| ·基于信息增益的特征选择 | 第67-68页 |
| ·基于遗传算法的特征选择 | 第68-76页 |
| ·遗传算法介绍 | 第68-70页 |
| ·遗传算法用于特征选择 | 第70-73页 |
| ·BP 神经网络计算适应度函数值 | 第73-76页 |
| ·本章实验 | 第76-78页 |
| ·基于信息增益的特征选择实验 | 第76-77页 |
| ·基于遗传算法的特征选择实验 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第五章 焊点多分类智能算法 | 第79-91页 |
| ·引言 | 第79-80页 |
| ·多分类算法介绍 | 第80-89页 |
| ·贝叶斯分类器 | 第80页 |
| ·最近邻分类器 | 第80-82页 |
| ·决策树分类器 | 第82-83页 |
| ·神经网络分类器 | 第83-86页 |
| ·支持向量机分类器 | 第86-89页 |
| ·本章实验 | 第89-90页 |
| ·本章小结 | 第90-91页 |
| 第六章 实验研究 | 第91-99页 |
| ·引言 | 第91页 |
| ·实验平台简介 | 第91-92页 |
| ·三层次 MARK 点实验 | 第92-93页 |
| ·贝叶斯和支持向量机相结合的焊点特征选择和分类 | 第93-98页 |
| ·样本数据 | 第93-95页 |
| ·贝叶斯分类器的实验 | 第95-96页 |
| ·支持向量机实验 | 第96-98页 |
| ·本章小结 | 第98-99页 |
| 总结与展望 | 第99-102页 |
| 1 主要工作和结论 | 第99-100页 |
| 2 创新点 | 第100页 |
| 3 工作展望 | 第100-102页 |
| 参考文献 | 第102-111页 |
| 攻读博士学位期间取得的研究成果 | 第111-113页 |
| 致谢 | 第113-114页 |
| 附件 | 第114页 |
