| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 带钢表面缺陷检测方法综述 | 第10-13页 |
| 1.2.1 人工目视检测方法 | 第10-11页 |
| 1.2.2 基于传统光电技术的检测方法 | 第11-12页 |
| 1.2.3 基于机器视觉检测方法 | 第12-13页 |
| 1.3 本文主要研究内容及结构安排 | 第13-15页 |
| 第2章 带钢表面缺陷检测系统 | 第15-21页 |
| 2.1 检测实验平台总体结构简介 | 第15-16页 |
| 2.2 带钢传输装置 | 第16-19页 |
| 2.3 图像处理的总体流程 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 图像去噪算法研究 | 第21-32页 |
| 3.1 传统的图像去噪方法 | 第21-25页 |
| 3.1.1 邻域平均法 | 第21-23页 |
| 3.1.2 中值滤波法 | 第23-25页 |
| 3.2 基于小波变换的图像去噪算法 | 第25-31页 |
| 3.2.1 小波阈值去噪算法 | 第25-27页 |
| 3.2.2 小波包去噪算法 | 第27-29页 |
| 3.2.3 实验结果分析 | 第29-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第4章 图像分割算法研究 | 第32-47页 |
| 4.1 阈值分割法 | 第32-35页 |
| 4.2 边缘检测算子 | 第35-37页 |
| 4.2.1 Roberts 算子 | 第35页 |
| 4.2.2 Prewitt 算子和 Sobel 算子 | 第35-36页 |
| 4.2.3 Log 算子 | 第36-37页 |
| 4.3 基于模角分离小波的边缘检测方法 | 第37-45页 |
| 4.3.1 小波模极大值检测方法 | 第37-38页 |
| 4.3.2 基于模角分离小波的边缘检测方法 | 第38-42页 |
| 4.3.3 实验结果分析 | 第42-45页 |
| 4.4 本章小结 | 第45-47页 |
| 第5章 缺陷特征提取 | 第47-55页 |
| 5.1 几何特征 | 第47-48页 |
| 5.2 灰度特征 | 第48-50页 |
| 5.3 纹理特征 | 第50-51页 |
| 5.4 不变矩与拓扑特征 | 第51-54页 |
| 5.4.1 不变矩特征 | 第51-53页 |
| 5.4.2 拓扑特征 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第6章 基于人工神经网络的缺陷识别与分类 | 第55-67页 |
| 6.1 BP 神经网络 | 第55-58页 |
| 6.1.1 BP 神经网络的结构 | 第55-56页 |
| 6.1.2 BP 神经网络学习规则 | 第56-58页 |
| 6.2 Elman 神经网络 | 第58-59页 |
| 6.2.1 Elman 神经网络结构 | 第58页 |
| 6.2.2 Elman 神经网络学习过程 | 第58-59页 |
| 6.3 基于 BP 和 Elman 网络的缺陷识别及其对比 | 第59-66页 |
| 6.3.1 样本数据归一化 | 第59-61页 |
| 6.3.2 输入与目标向量的设计 | 第61页 |
| 6.3.3 BP 和 Elman 神经网络的创建 | 第61-63页 |
| 6.3.4 实验结果对比分析 | 第63-66页 |
| 6.4 本章小结 | 第66-67页 |
| 第7章 总结与展望 | 第67-69页 |
| 7.1 全文总结 | 第67页 |
| 7.2 展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附录 1 攻读硕士学位期间发表的论文及专利 | 第74-75页 |
| 附录 2 攻读硕士学位期间参加的科研项目 | 第75-76页 |
| 详细摘要 | 第76-79页 |