基于机器视觉的铝铸件表面缺陷检测
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 机器视觉缺陷检测国内外研究现状分析 | 第10-16页 |
| 1.2.1 机器视觉在缺陷检测上的应用 | 第10-11页 |
| 1.2.2 关键技术研究现状 | 第11-16页 |
| 1.2.3 发展趋势 | 第16页 |
| 1.3 论文研究内容及结构安排 | 第16-18页 |
| 1.3.1 主要研究内容 | 第16-17页 |
| 1.3.2 结构安排 | 第17-18页 |
| 1.4 论文创新点 | 第18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 铝铸件表面缺陷检测系统设计 | 第19-27页 |
| 2.1 硬件系统设计 | 第19-22页 |
| 2.2 软件系统设计 | 第22-24页 |
| 2.3 本章小结 | 第24-27页 |
| 第3章 铝铸件表面缺陷检测方法研究 | 第27-51页 |
| 3.1 图像滤波 | 第27-33页 |
| 3.1.1 均值滤波 | 第27-29页 |
| 3.1.2 高斯滤波 | 第29-31页 |
| 3.1.3 中值滤波 | 第31-32页 |
| 3.1.4 铝铸件表面缺陷图像滤波实例 | 第32-33页 |
| 3.2 图像分割 | 第33-37页 |
| 3.2.1 边缘检测分割 | 第33-36页 |
| 3.2.2 阈值分割 | 第36-37页 |
| 3.3 铝铸件微小气孔缺陷分割方法研究 | 第37-42页 |
| 3.3.1 阈值分割检测黑点 | 第39页 |
| 3.3.2 形态学图像处理 | 第39-40页 |
| 3.3.3 连通区域面积计算 | 第40-42页 |
| 3.4 伪缺陷剔除 | 第42-46页 |
| 3.5 缺陷检测试验结果 | 第46-47页 |
| 3.6 轮廓跟踪 | 第47-49页 |
| 3.6.1 单区域轮廓跟踪 | 第48页 |
| 3.6.2 多区域轮廓跟踪 | 第48-49页 |
| 3.7 本章小结 | 第49-51页 |
| 第4章 铝铸件表面缺陷分类方法研究 | 第51-77页 |
| 4.1 特征提取 | 第51-61页 |
| 4.1.1 几何形状特征 | 第51-54页 |
| 4.1.2 灰度特征提取 | 第54-56页 |
| 4.1.3 不变矩特征 | 第56-57页 |
| 4.1.4 纹理特征 | 第57-61页 |
| 4.2 缺陷特征降维 | 第61-64页 |
| 4.2.1 主成分分析法 | 第61-63页 |
| 4.2.2 主成分分析法对图像特征量降维的应用 | 第63-64页 |
| 4.3 SVM原理 | 第64-69页 |
| 4.3.1 SRM（结构风险最小化）原则 | 第64-65页 |
| 4.3.2 VC维 | 第65-67页 |
| 4.3.3 最大间隔超平面 | 第67-68页 |
| 4.3.4 核函数 | 第68-69页 |
| 4.4 基于SVM的多分类方法 | 第69-72页 |
| 4.4.1 一对其余（OVR）方法 | 第70-71页 |
| 4.4.2 有向无环（DAG）方法 | 第71页 |
| 4.4.3 一对一（OVO）方法 | 第71-72页 |
| 4.5 基于SVM分类器的缺陷分类 | 第72-75页 |
| 4.5.1 核函数及参数的选取 | 第72-73页 |
| 4.5.2 SVM缺陷分类识别 | 第73-75页 |
| 4.6 本章小结 | 第75-77页 |
| 第5章 总结与展望 | 第77-79页 |
| 5.1 全文总结 | 第77页 |
| 5.2 工作展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第85页 |
