| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 钢板缺陷检测系统综述及国内外研究现状 | 第8-11页 |
| 1.2.1 钢板缺陷检测系统 | 第8-10页 |
| 1.2.2 国外研究现状 | 第10-11页 |
| 1.2.3 国内研究现状 | 第11页 |
| 1.3 数字图像处理简介 | 第11-12页 |
| 1.4 本文的研究内容 | 第12-13页 |
| 第二章 带钢表面缺陷检测系统总体方案设计 | 第13-18页 |
| 2.1 主要缺陷特点及产生原因简介 | 第13-15页 |
| 2.2 检测系统硬件结构及实验平台 | 第15-16页 |
| 2.3 图像处理流程 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 图像预处理 | 第18-26页 |
| 3.1 带钢图像中噪声的类型 | 第18-19页 |
| 3.2 图像的平滑方法 | 第19-21页 |
| 3.3 三种图像平滑方法的比较 | 第21-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第四章 图像分割 | 第26-36页 |
| 4.1 传统边缘检测算法 | 第26-29页 |
| 4.1.1 一阶导数算子 | 第27-28页 |
| 4.1.2 二阶导数算子 | 第28-29页 |
| 4.2 数学形态学边缘提取 | 第29-32页 |
| 4.2.1 二值形态学 | 第29-30页 |
| 4.2.2 数学形态学边缘检测算子和结构元素的选取 | 第30-32页 |
| 4.3 各种边缘提取算法效果的对比 | 第32-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第五章 特征提取 | 第36-42页 |
| 5.1 形状特征 | 第36-38页 |
| 5.2 灰度特征 | 第38-39页 |
| 5.3 纹理特征 | 第39-40页 |
| 5.4 本文提取的特征量 | 第40-41页 |
| 5.5 本章小结 | 第41-42页 |
| 第六章 基于 BP 神经网络的缺陷识别 | 第42-53页 |
| 6.1 神经网络简介 | 第42页 |
| 6.2 BP 神经网络模型及其学习算法 | 第42-46页 |
| 6.2.1 BP 神经网络模型 | 第42-43页 |
| 6.2.2 BP 算法 | 第43-46页 |
| 6.2.3 LM 算法 | 第46页 |
| 6.3 BP 网络结构参数的设计 | 第46-48页 |
| 6.3.1 输入层和输出层的设计 | 第46-47页 |
| 6.3.2 隐含层的设计 | 第47页 |
| 6.3.3 其它参数的设计 | 第47-48页 |
| 6.4 带钢表面缺陷分类器的训练及测试 | 第48-52页 |
| 6.4.1 训练和测试样本的选择 | 第48页 |
| 6.4.2 分类器的训练和测试 | 第48-51页 |
| 6.4.3 测试结果分析 | 第51-52页 |
| 6.5 本章小结 | 第52-53页 |
| 第七章 总结与展望 | 第53-54页 |
| 7.1 总结 | 第53页 |
| 7.2 工作展望 | 第53-54页 |
| 参考文献 | 第54-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士期间发表的论文 | 第57-58页 |
| 详细摘要 | 第58-61页 |