摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪言 | 第14-25页 |
1.1 论文选题背景和意义 | 第14页 |
1.2 机器视觉检测技术概述 | 第14-16页 |
1.3 机器视觉检测技术国内外应用现状 | 第16-20页 |
1.4 机器视觉检测发展历史及技术未来发展方向 | 第20-21页 |
1.5 国内外医药液检测机器视觉发展现状 | 第21-23页 |
1.6 论文主要内容与重难点介绍 | 第23-25页 |
1.6.1 论文主要内容 | 第23页 |
1.6.2 论文重难点分析 | 第23-25页 |
第2章 医药液杂质机器视觉检测平台 | 第25-35页 |
2.1 机器视觉检测平台基本模块介绍 | 第25-28页 |
2.1.1 照明光源 | 第25-26页 |
2.1.2 光学系统与工业相机 | 第26-28页 |
2.1.3 分析与处理软件 | 第28页 |
2.2 医药液杂质机器视觉检测硬件环境 | 第28-32页 |
2.2.1 医药液杂质机器视觉检测机械结构 | 第28-30页 |
2.2.2 医药液杂质机器视觉检测传送结构 | 第30-31页 |
2.2.3 医药液杂质机器视觉检测电气结构 | 第31-32页 |
2.3 医药液杂质检测软件环境 | 第32-34页 |
2.3.1 系统软件环境 | 第32页 |
2.3.2 系统软件设计目标 | 第32页 |
2.3.3 软件总体结构介绍 | 第32-33页 |
2.3.4 软件使用流程 | 第33-34页 |
2.4 本章小结 | 第34-35页 |
第3章 基于尺度不变特征变换(SIFT)的时间序列图像位置矫正算法 | 第35-46页 |
3.1 局部特征提取算法介绍 | 第35-37页 |
3.2 预处理核心算法多尺度特征变换(SIFT)及其改进 | 第37-40页 |
3.2.1 SIFT尺度空间最值检测 | 第38页 |
3.2.2 SIFT关键点二次筛选与方向选择 | 第38-39页 |
3.2.3 SIFT特征点配对及其改进 | 第39-40页 |
3.3 序列图像位置矫正实验与分析 | 第40-45页 |
3.3.1 SIFT测算特征量 | 第40-43页 |
3.3.2 最小二乘法对齐矫正 | 第43-44页 |
3.3.3 实验结果对比与分析 | 第44-45页 |
3.4 本章小结 | 第45-46页 |
第4章 基于脉冲耦合神经网络(PCNN)的杂质异物分割算法 | 第46-56页 |
4.1 基本PCNN介绍 | 第46-48页 |
4.1.1 PCNN背景介绍 | 第46-47页 |
4.1.2 PCNN模型介绍 | 第47-48页 |
4.2 基于最小交叉熵的PCNN改进模型 | 第48-51页 |
4.2.1 最小交叉熵基本概念 | 第48页 |
4.2.2 基本PCNN模型的改进模型1 | 第48-49页 |
4.2.3 最小交叉熵改进型PCNN分割结果 | 第49-51页 |
4.3 基于区域增长的PCNN改进模型 | 第51-55页 |
4.3.1 区域增长的基本概念 | 第51-52页 |
4.3.2 基本PCNN模型的改进模型2 | 第52-53页 |
4.3.3 区域增长改进型PCNN分割实验结果 | 第53-55页 |
4.4 本章小结 | 第55-56页 |
第5章 基于运动轨迹的医药液杂质检测识别算法 | 第56-73页 |
5.1 医药液杂质传统检测方法及杂质分类介绍 | 第56-57页 |
5.1.1 医药液杂质传统检测方法 | 第56页 |
5.1.2 医药液可见异物的来源 | 第56-57页 |
5.2 医药液杂质轨迹的受力分析与运动方程 | 第57-59页 |
5.3 小目标检测问题TBD(Track-before-Detect) | 第59-60页 |
5.4 隐马尔科夫算法的轨迹跟踪 | 第60-67页 |
5.4.1 HMM模型介绍 | 第60-63页 |
5.4.2 形态学图像预处理 | 第63页 |
5.4.3 HMM在图像目标跟踪的应用 | 第63-66页 |
5.4.4 HMM滤波器组与单个HMM滤波器实验结果 | 第66-67页 |
5.5 无迹卡尔曼滤波算法的轨迹跟踪 | 第67-72页 |
5.5.1 卡尔曼滤波简介 | 第67-68页 |
5.5.2 无迹卡尔曼滤波算法 | 第68-70页 |
5.5.3 UKF与EKF的实验对比 | 第70-72页 |
5.6 本章小结 | 第72-73页 |
总结与展望 | 第73-75页 |
参考文献 | 第75-80页 |
附录A 攻读学位期间发表的论文情况 | 第80-81页 |
附录B 攻读学位期间参与科研工作情况 | 第81-82页 |
致谢 | 第82页 |