基于机器视觉的长竹条表面缺陷检测及颜色分类研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 课题研究现状 | 第10-14页 |
| 1.2.1 视觉检测基本理论 | 第10-11页 |
| 1.2.2 视觉检测的应用 | 第11-14页 |
| 1.3 主要存在的问题 | 第14页 |
| 1.4 课题研究的主要内容及论文结构 | 第14-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 长竹条检测及分类系统设计 | 第17-27页 |
| 2.1 检测系统的整体结构 | 第17-18页 |
| 2.2 机械传动装置 | 第18-19页 |
| 2.3 图像采集装置的设计 | 第19-24页 |
| 2.3.1 光源 | 第20-21页 |
| 2.3.2 相机 | 第21-22页 |
| 2.3.3 镜头及曝光时间 | 第22-23页 |
| 2.3.4 成像环境及总体架构设计 | 第23-24页 |
| 2.4 颜色分选装置的设计 | 第24-26页 |
| 2.4.1 分类装置的结构 | 第24-25页 |
| 2.4.2 分选装置工作方式 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 长竹条表面图像预处理及缺陷检测算法设计 | 第27-43页 |
| 3.1 图像预处理 | 第27-32页 |
| 3.1.1 图像去噪 | 第27-29页 |
| 3.1.2 颜色空间变换 | 第29页 |
| 3.1.3 阈值化 | 第29-30页 |
| 3.1.4 倾斜校正 | 第30-32页 |
| 3.2 缺陷图像类型及常用分割方法 | 第32-35页 |
| 3.2.1 缺陷图像类型及分析 | 第33-34页 |
| 3.2.2 常用分割方法 | 第34-35页 |
| 3.3 基于形态学和差影的虫洞缺陷检测方法 | 第35-37页 |
| 3.4 基于自适应canny的裂缝缺陷检测方法 | 第37-39页 |
| 3.4.1 Canny算法原理 | 第37页 |
| 3.4.2 自适应canny算法描述 | 第37-39页 |
| 3.5 基于垂直投影的大/小竹青缺陷检测方法 | 第39-40页 |
| 3.6 基于区域生长的分块竹白缺陷检测方法 | 第40-42页 |
| 3.6.1 区域生长算法 | 第40页 |
| 3.6.2 算法描述 | 第40-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第4章 长竹条颜色分类算法研究与设计 | 第43-58页 |
| 4.1 引言 | 第43-44页 |
| 4.2 图像特征描述 | 第44-46页 |
| 4.2.1 灰度特征 | 第44-45页 |
| 4.2.2 纹理特征 | 第45页 |
| 4.2.3 颜色特征 | 第45-46页 |
| 4.3 基于神经网络的青黄面识别 | 第46-50页 |
| 4.3.1 常用识别方法 | 第46-47页 |
| 4.3.2 神经网络设计 | 第47-49页 |
| 4.3.3 特征选取及归一化 | 第49-50页 |
| 4.4 颜色相似性度量 | 第50-51页 |
| 4.4.1 不变矩 | 第50-51页 |
| 4.4.2 相似度度量 | 第51页 |
| 4.5 基于主颜色和机器学习的颜色分类 | 第51-57页 |
| 4.5.1 颜色模型及主颜色提取方法 | 第52-55页 |
| 4.5.2 KNN算法 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 检测及分类试验 | 第58-62页 |
| 5.1 试验材料与流程 | 第58页 |
| 5.2 检测性能标准 | 第58-59页 |
| 5.3 试验数据与分析 | 第59-61页 |
| 5.4 小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 研究总结 | 第62页 |
| 6.2 论文工作展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 攻读学位期间研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |
