基于机器视觉的衬布缺陷检测系统研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 衬布缺陷检测的国内外研究现状 | 第13-17页 |
| 1.3 本文研究内容与技术路线 | 第17-19页 |
| 1.3.1 主要研究内容 | 第17-18页 |
| 1.3.2 技术路线 | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第2章 视觉系统搭建及图像预处理 | 第20-36页 |
| 2.1 引言 | 第20页 |
| 2.2 机器视觉的系统原理和硬件选型 | 第20-29页 |
| 2.2.1 照明系统安装和设计 | 第22-24页 |
| 2.2.2 工业相机和采集卡选型 | 第24-25页 |
| 2.2.3 采集卡的选择 | 第25-26页 |
| 2.2.4 镜头的选型 | 第26-29页 |
| 2.3 衬布缺陷检测视觉系统搭建 | 第29-30页 |
| 2.4 图像预处理 | 第30-34页 |
| 2.4.1 图像去噪 | 第30-32页 |
| 2.4.2 图像均衡化 | 第32-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第3章 衬布缺陷检测算法研究 | 第36-56页 |
| 3.1 引言 | 第36页 |
| 3.2 衬布缺陷检测算法概述 | 第36页 |
| 3.3 基于多尺度均值快速判断缺陷 | 第36-41页 |
| 3.3.1 多尺度下的均值特征 | 第37-38页 |
| 3.3.2 衬布缺陷判断 | 第38-41页 |
| 3.4 基于灰度共生矩阵的缺陷特征提取 | 第41-47页 |
| 3.4.1 灰度共生矩阵原理 | 第41-44页 |
| 3.4.2 缺陷检测算法设计 | 第44-47页 |
| 3.5 基于Gabor通道融合缺陷特征提取 | 第47-53页 |
| 3.5.1 Gabor滤波器简介 | 第47-48页 |
| 3.5.2 Gabor算法原理与结构 | 第48-50页 |
| 3.5.3 通道融合算法设计 | 第50-53页 |
| 3.6 试验对比与分析 | 第53-55页 |
| 3.6.1 试验结果对比 | 第53-55页 |
| 3.6.2 试验结果分析 | 第55页 |
| 3.7 本章小结 | 第55-56页 |
| 第4章 衬布缺陷分类算法研究 | 第56-70页 |
| 4.1 引言 | 第56页 |
| 4.2 衬布缺陷类型分析 | 第56-58页 |
| 4.3 分类器特征设计 | 第58页 |
| 4.4 基于BP神经网络的分类算法 | 第58-63页 |
| 4.4.1 BP神经网络概述 | 第58-59页 |
| 4.4.2 BP神经网络设计 | 第59-62页 |
| 4.4.3 实验结果与分析 | 第62-63页 |
| 4.5 基于SVM的分类算法 | 第63-68页 |
| 4.5.1 SVM算法概述 | 第63-65页 |
| 4.5.2 SVM结构设计 | 第65-67页 |
| 4.5.3 实验结果与分析 | 第67-68页 |
| 4.6 实验对比与分析 | 第68-69页 |
| 4.6.1 实验结果对比 | 第68-69页 |
| 4.6.2 实验结果分析 | 第69页 |
| 4.7 本章小结 | 第69-70页 |
| 第5章 应用软件开发及系统控制 | 第70-78页 |
| 5.1 引言 | 第70页 |
| 5.2 软件整体结构设计 | 第70-71页 |
| 5.3 视觉检测系统软件功能实现 | 第71-77页 |
| 5.3.1 用户管理模块 | 第71-72页 |
| 5.3.2 衬布图像采集模块 | 第72-73页 |
| 5.3.3 衬布缺陷检测模块 | 第73-74页 |
| 5.3.4 衬布缺陷分类模块 | 第74-75页 |
| 5.3.5 检测结果查询模块 | 第75-76页 |
| 5.3.6 软件系统流程 | 第76-77页 |
| 5.4 本章小结 | 第77-78页 |
| 第6章 结论与展望 | 第78-82页 |
| 6.1 结论 | 第78-79页 |
| 6.2 展望 | 第79-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86页 |
