| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 引言 | 第8页 |
| 1.2 基于机器视觉的带钢表面缺陷检测分类的国内外现状 | 第8-13页 |
| 1.2.1 机器视觉概述 | 第8-9页 |
| 1.2.2 国外研究现状 | 第9-11页 |
| 1.2.3 国内研究现状 | 第11-13页 |
| 1.3 论文研究目的及意义 | 第13页 |
| 1.4 论文主要研究内容 | 第13-15页 |
| 1.4.1 论文研究内容 | 第13-14页 |
| 1.4.2 论文研究路线 | 第14-15页 |
| 第二章 冷轧极薄带钢表面缺陷视觉检测系统构建 | 第15-24页 |
| 2.1 冷轧极薄带钢的缺陷特征分析 | 第15-16页 |
| 2.2 系统工作原理和技术分析 | 第16-17页 |
| 2.2.1 系统工作原理 | 第16-17页 |
| 2.2.2 系统技术分析 | 第17页 |
| 2.3 冷轧极薄带钢表面缺陷视觉检测系统构建 | 第17-23页 |
| 2.3.1 系统硬件结构设计 | 第18页 |
| 2.3.2 工业相机、镜头和采集卡 | 第18-20页 |
| 2.3.3 光源系统 | 第20-22页 |
| 2.3.4 图像采集触发及测速装备 | 第22页 |
| 2.3.5 计算机设备 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 冷轧极薄带钢表面缺陷图像预处理及分割 | 第24-46页 |
| 3.1 缺陷图像预处理 | 第24-33页 |
| 3.1.1 缺陷图像去噪 | 第24-29页 |
| 3.1.2 缺陷图像增强 | 第29-33页 |
| 3.2 缺陷图像分割 | 第33-43页 |
| 3.2.1 二维Otsu分割算法 | 第34-36页 |
| 3.2.2 基于量子粒子群的二维Otsu分割算法 | 第36-38页 |
| 3.2.3 阈值分解算法 | 第38-40页 |
| 3.2.4 三类分割算法实验结果分析 | 第40-43页 |
| 3.3 表面缺陷分割图像聚类、标记 | 第43-45页 |
| 3.3.1 传统缺陷聚类、标记方法 | 第44页 |
| 3.3.2 本文改进缺陷聚类、标记方法 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 冷轧极薄带钢表面缺陷组合分类算法研究 | 第46-66页 |
| 4.1 缺陷图像特征提取与选择 | 第46-53页 |
| 4.1.1 缺陷图像特征提取 | 第46-50页 |
| 4.1.2 缺陷图像特征选择 | 第50-53页 |
| 4.2 改进组合分类器相关设计 | 第53-65页 |
| 4.2.1 人工神经网络分类器 | 第54-59页 |
| 4.2.2 改进支持向量机 | 第59-62页 |
| 4.2.3 基分类器的差异性度量 | 第62-64页 |
| 4.2.4 改进组合分类器缺陷分类 | 第64-65页 |
| 4.3 本章小结 | 第65-66页 |
| 第五章 检测界面设计及实验分析 | 第66-85页 |
| 5.1 检测界面设计 | 第66-68页 |
| 5.2 表面缺陷检测识别实验分析 | 第68-84页 |
| 5.2.1 冷轧极薄带钢缺陷识别速度分析 | 第68-69页 |
| 5.2.2 各分类器的神经网络结构分析 | 第69-71页 |
| 5.2.3 缺陷特征降维必要性分析 | 第71-76页 |
| 5.2.4 各分类器针对缺陷样本依赖性影响实验 | 第76-78页 |
| 5.2.5 各分类器性能分析 | 第78-84页 |
| 5.3 本章小结 | 第84-85页 |
| 第六章 结论与展望 | 第85-87页 |
| 6.1 结论 | 第85页 |
| 6.2 展望 | 第85-87页 |
| 致谢 | 第87-88页 |
| 参考文献 | 第88-93页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第93页 |