基于图像处理的冷轧带钢表面缺陷检测与识别研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·冷轧带钢表面缺陷检测技术发展状况 | 第8-11页 |
| ·缺陷的检测技术 | 第8-10页 |
| ·国内外研究状况 | 第10-11页 |
| ·课题研究意义 | 第11-12页 |
| ·课题的研究内容 | 第12-13页 |
| 2 冷轧带钢表面缺陷检测系统总体设计 | 第13-20页 |
| ·系统检测的几种缺陷类型 | 第13-15页 |
| ·检测原理及系统的结构 | 第15-17页 |
| ·系统的硬件结构 | 第15-16页 |
| ·系统的软件结构 | 第16-17页 |
| ·系统工作原理 | 第17-19页 |
| ·图像获取 | 第17页 |
| ·图像预处理 | 第17-18页 |
| ·目标检测 | 第18页 |
| ·缺陷检测、识别和分类 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 3 图像处理 | 第20-38页 |
| ·数字图像处理技术 | 第20页 |
| ·图像滤波 | 第20-23页 |
| ·图像分割 | 第23-37页 |
| ·基于梯度的图像分割技术 | 第23-27页 |
| ·阈值分割 | 第27-28页 |
| ·模糊 C-均值聚类算法 | 第28-34页 |
| ·实验结果与分析 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 4 缺陷图像特征提取 | 第38-49页 |
| ·特征提取的含义 | 第38-39页 |
| ·常用的图像特征 | 第39-43页 |
| ·形状特征 | 第39页 |
| ·灰度特征 | 第39-40页 |
| ·纹理特征 | 第40-43页 |
| ·冷轧带钢表面缺陷图像的特征值提取 | 第43-48页 |
| ·缺陷图像形状特征值的提取 | 第43-46页 |
| ·灰度共生矩阵 | 第46-47页 |
| ·实验结果及分析 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 5 神经网络分类器 | 第49-61页 |
| ·人工神经网络 | 第49-52页 |
| ·BP 网络 | 第52-56页 |
| ·BP 网络结构 | 第52-53页 |
| ·BP 算法 | 第53-56页 |
| ·基于冷轧带钢表面缺陷的 BP 网络的设计 | 第56-60页 |
| ·BP 神经网络建立 | 第57页 |
| ·BP 神经网络的训练 | 第57页 |
| ·BP 算法的程序实现 | 第57-59页 |
| ·实验结果及分析 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 6 结论与展望 | 第61-62页 |
| ·结论 | 第61页 |
| ·研究展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 附录 | 第65页 |
