基于机器视觉的口罩带缺失检测方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 统计法 | 第9-10页 |
| 1.2.2 频谱法 | 第10页 |
| 1.2.3 模型法 | 第10页 |
| 1.3 主要研究内容 | 第10-11页 |
| 1.4 本文章节安排 | 第11-14页 |
| 2 口罩图像的采集和预处理 | 第14-32页 |
| 2.1 口罩图像采集设备设计 | 第14-17页 |
| 2.1.1 光源的设置 | 第15-16页 |
| 2.1.2 镜头及相机 | 第16-17页 |
| 2.2 图像二值化 | 第17-21页 |
| 2.2.1 灰度平均法 | 第18页 |
| 2.2.2 OTSU自适应阈值算法 | 第18-19页 |
| 2.2.3 谷底最小值法 | 第19-20页 |
| 2.2.4 双峰平均值法 | 第20页 |
| 2.2.5 局部自适应阈值法 | 第20-21页 |
| 2.3 形态学处理 | 第21-23页 |
| 2.4 Canny边缘检测算法 | 第23-25页 |
| 2.5 最小外接矩形算法 | 第25-27页 |
| 2.5.1 凸包介绍 | 第25-26页 |
| 2.5.2 Graham's Scan凸包算法 | 第26页 |
| 2.5.3 基于凸包算法的最小外接矩形计算 | 第26-27页 |
| 2.6 旋转仿射变换 | 第27-28页 |
| 2.7 口罩图像的姿态校正 | 第28-30页 |
| 2.8 Gamma校正 | 第30页 |
| 2.9 口罩图像的裁切 | 第30-32页 |
| 3 口罩带特征提取 | 第32-44页 |
| 3.1 局部二值模式(LBP) | 第32-39页 |
| 3.1.1 原始LBP特征描述 | 第32-33页 |
| 3.1.2 LBP特征的改进 | 第33-37页 |
| 3.1.3 LBP特征检测原理 | 第37页 |
| 3.1.4 口罩图像的LBP特征提取 | 第37-39页 |
| 3.2 方向梯度直方图(HOG) | 第39-44页 |
| 3.2.1 HOG特征描述 | 第39-42页 |
| 3.2.2 口罩图像的HOG特征提取 | 第42-44页 |
| 4 基于SVM的口罩带缺失判断 | 第44-50页 |
| 4.1 统计学习理论 | 第44-45页 |
| 4.2 SVM分类器的介绍 | 第45-47页 |
| 4.2.1 SVM分类器的基本思想 | 第45页 |
| 4.2.2 SVM分类器描述 | 第45-47页 |
| 4.3 SVM分类器的使用 | 第47-50页 |
| 4.3.1 SVM的训练流程 | 第47页 |
| 4.3.2 SVM的预测流程 | 第47-48页 |
| 4.3.3 CvSVM类的使用 | 第48-50页 |
| 5 口罩带缺失检测系统开发及实验分析 | 第50-64页 |
| 5.1 口罩带缺失检测系统开发 | 第50-53页 |
| 5.2 实验准备 | 第53-57页 |
| 5.2.1 数据集准备 | 第53-55页 |
| 5.2.2 实验流程 | 第55-57页 |
| 5.3 交叉验证法 | 第57-58页 |
| 5.4 评价标准 | 第58页 |
| 5.5 实验结果与分析 | 第58-64页 |
| 6 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-70页 |
