基于机器视觉的硅钢钢带表面缺陷自动检测识别研究
| 摘要 | 第5-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究意义 | 第12-14页 |
| 1.2 国内外的发展现状 | 第14-15页 |
| 1.3 钢带表面缺陷自动检测技术的发展趋势 | 第15-16页 |
| 1.4 课题的研究内容 | 第16-17页 |
| 1.5 论文的内容安排 | 第17-19页 |
| 第二章 钢带表面缺陷检测系统整体设计方案 | 第19-25页 |
| 2.1 硅钢钢带生产环境的介绍 | 第19-20页 |
| 2.2 钢带缺陷特征介绍 | 第20-22页 |
| 2.3 图像采集系统主要结构 | 第22-23页 |
| 2.4 缺陷检测系统软件结构设计 | 第23页 |
| 2.5 系统的设计要求 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 图像采集系统设计 | 第25-37页 |
| 3.1 照明系统设计 | 第25-33页 |
| 3.1.1 粗糙表面光线反射的理论分析 | 第26-30页 |
| 3.1.2 光源的确定及钢带图像亮度分布 | 第30-33页 |
| 3.2 工业相机的选择 | 第33-35页 |
| 3.3 本章小结 | 第35-37页 |
| 第四章 图像预处理 | 第37-62页 |
| 4.1 图像预处理简介 | 第37页 |
| 4.2 图像去噪 | 第37-42页 |
| 4.2.1 噪声的分类 | 第38页 |
| 4.2.2 去噪理论分析 | 第38-40页 |
| 4.2.3 硅钢钢带图像去噪实验 | 第40-42页 |
| 4.3 图像的几何校正 | 第42-48页 |
| 4.3.1 几何校正理论分析 | 第42-46页 |
| 4.3.2 硅钢钢带图像几何校正处理 | 第46-48页 |
| 4.4 图像拼接 | 第48-55页 |
| 4.4.1 图像配准的理论介绍 | 第48-51页 |
| 4.4.2 图像融合技术 | 第51-53页 |
| 4.4.3 硅钢钢带图像拼接处理 | 第53-55页 |
| 4.5 缺陷图像的判断 | 第55-56页 |
| 4.6 图像锐化 | 第56-61页 |
| 4.6.1 梯度锐化原理 | 第56-57页 |
| 4.6.2 拉普拉斯锐化原理 | 第57-58页 |
| 4.6.3 硅钢钢带图像锐化处理 | 第58-61页 |
| 4.7 本章小结 | 第61-62页 |
| 第五章 缺陷图像的分割与特征提取 | 第62-92页 |
| 5.1 缺陷图像的分割 | 第62-81页 |
| 5.1.1 边缘检测理论分析 | 第62-70页 |
| 5.1.2 图像形态学介绍 | 第70-72页 |
| 5.1.3 区域种子填充 | 第72-73页 |
| 5.1.4 轮廓跟踪 | 第73-74页 |
| 5.1.5 硅钢钢带表面缺陷的分割 | 第74-81页 |
| 5.2 缺陷特征提取 | 第81-90页 |
| 5.2.1 形状特征 | 第82-86页 |
| 5.2.2 灰度特征 | 第86-87页 |
| 5.2.3 纹理特征 | 第87-90页 |
| 5.3 本章小结 | 第90-92页 |
| 第六章 缺陷分类器的设计 | 第92-105页 |
| 6.1 人工神经网络介绍 | 第92-94页 |
| 6.2 BP神经网络 | 第94-100页 |
| 6.2.1 BP神经网络组成结构 | 第94-96页 |
| 6.2.2 BP神经网络算法 | 第96-99页 |
| 6.2.3 设计BP神经网络注意事项 | 第99-100页 |
| 6.3 基于硅钢钢带表面缺陷的BP神经网络设计 | 第100-104页 |
| 6.3.1 BP神经网络的建立 | 第100-101页 |
| 6.3.2 BP神经网络算法程序的实现 | 第101-103页 |
| 6.3.3 测试结果及分析 | 第103-104页 |
| 6.4 本章小结 | 第104-105页 |
| 第七章 总结与展望 | 第105-108页 |
| 参考文献 | 第108-112页 |
| 致谢 | 第112-113页 |
| 攻读学位期间的研究成果 | 第113页 |
