基于机器视觉的玻璃质量在线检测系统研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-10页 |
| 第1章 绪论 | 第10-18页 |
| ·课题研究的背景及意义 | 第10-12页 |
| ·课题研究的背景 | 第10-11页 |
| ·课题研究的目的及意义 | 第11-12页 |
| ·国内外研究现状及其应用 | 第12-15页 |
| ·机器视觉技术的研究现状及其应用 | 第12-13页 |
| ·国外玻璃检测的研究现状及其应用 | 第13-14页 |
| ·国内玻璃检测的研究现状 | 第14-15页 |
| ·存在的问题及发展趋势 | 第15-16页 |
| ·本课题的来源、研究内容及研究方法 | 第16-17页 |
| ·主要研究内容 | 第16页 |
| ·研究方法 | 第16-17页 |
| ·本文的主要内容及结构 | 第17-18页 |
| 第2章 玻璃缺陷在线检测系统构建 | 第18-26页 |
| ·玻璃缺陷检测基本原理 | 第18-19页 |
| ·玻璃缺陷检测系统的总体设计 | 第19-20页 |
| ·玻璃缺陷检测系统组成 | 第20-23页 |
| ·硬件系统 | 第20-23页 |
| ·软件系统 | 第23页 |
| ·玻璃缺陷检测系统的关键技术 | 第23-25页 |
| ·系统主要技术要求 | 第25页 |
| ·本章小结 | 第25-26页 |
| 第3章 玻璃缺陷图象的获取及其预处理 | 第26-36页 |
| ·玻璃缺陷图像的获取 | 第26-27页 |
| ·数字图像获取的系统构成 | 第26-27页 |
| ·影响玻璃缺陷图像质量的主要因素 | 第27页 |
| ·玻璃缺陷图像的预处理 | 第27-31页 |
| ·灰度直方图 | 第28-29页 |
| ·图像线性变换 | 第29-31页 |
| ·图像去噪处理 | 第31-35页 |
| ·图像平滑 | 第31-32页 |
| ·中值滤波 | 第32-34页 |
| ·模糊图像的复原及图像合成 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 玻璃缺陷图像分割及特征提取 | 第36-58页 |
| ·玻璃缺陷图像边缘检测 | 第36-43页 |
| ·经典算法的比较 | 第40-43页 |
| ·图像分割 | 第43-48页 |
| ·直方图阈值分割法 | 第44页 |
| ·迭代阈值图像分割 | 第44-46页 |
| ·自适应阈值图像分割法 | 第46-48页 |
| ·二值图像的平滑 | 第48-50页 |
| ·图像特征参数的提取 | 第50-51页 |
| ·亚像素定位 | 第51-57页 |
| ·经典亚像素边缘检测算法 | 第52-56页 |
| ·本文亚像素边缘检测算法 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第5章 玻璃缺陷模式识别 | 第58-72页 |
| ·模式识别的概述 | 第58-60页 |
| ·模式识别的基本概念 | 第58页 |
| ·模式识别的方法 | 第58-59页 |
| ·模式识别的系统构成 | 第59-60页 |
| ·玻璃缺陷识别分类器设计原理 | 第60-63页 |
| ·BP 网络基本概述 | 第60-61页 |
| ·神经网络模型的构建 | 第61-63页 |
| ·BP 算法的改进 | 第63-68页 |
| ·传统BP 网络的限制与不足 | 第63-64页 |
| ·BP 算法改进的方法 | 第64-66页 |
| ·改进后的算法 | 第66页 |
| ·改进后的算法流程 | 第66-68页 |
| ·改进后的BP 算法在玻璃缺陷检测中的应用 | 第68-71页 |
| ·玻璃样本缺陷的分类及其特点 | 第68页 |
| ·分类器的初始参数的设定 | 第68-69页 |
| ·样本缺陷的训练及识别结果 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 第6章 玻璃缺陷检测系统的验证 | 第72-78页 |
| ·系统搭建 | 第72-73页 |
| ·软件系统 | 第73-77页 |
| ·本章小结 | 第77-78页 |
| 第7章 总结与展望 | 第78-80页 |
| ·结论 | 第78页 |
| ·展望 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-85页 |
| 攻读硕士学位期间的研究成果 | 第85页 |
