基于机器视觉的锂电池气胀检测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.1.1 锂电池气胀原因及特征 | 第12-13页 |
| 1.1.2 人工检测气胀的方法及弊端 | 第13-14页 |
| 1.1.3 机器视觉气胀检测方案的提出 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 机器视觉检测技术应用现状 | 第15页 |
| 1.2.2 电池缺陷检测技术研究现状 | 第15-17页 |
| 1.3 论文主要工作及组织结构 | 第17-19页 |
| 第2章 锂电池气胀自动化检测理论基础 | 第19-29页 |
| 2.1 机器视觉理论 | 第19-21页 |
| 2.1.1 机器视觉基本理论框架 | 第19-20页 |
| 2.1.2 视觉检测的一般算法流程 | 第20-21页 |
| 2.2 支持向量机分类理论 | 第21-28页 |
| 2.2.1 统计学习理论 | 第22-24页 |
| 2.2.2 线性支持向量机分类 | 第24-26页 |
| 2.2.3 非线性支持向量机分类 | 第26-28页 |
| 2.3 小结 | 第28-29页 |
| 第3章 锂电池气胀特征提取算法 | 第29-44页 |
| 3.1 算法流程 | 第29-30页 |
| 3.2 ROI区域设置 | 第30-31页 |
| 3.3 图像预处理 | 第31-33页 |
| 3.3.1 规格化大小 | 第31页 |
| 3.3.2 灰度化处理 | 第31-33页 |
| 3.4 反射光斑区域分割 | 第33-40页 |
| 3.4.1 经典双峰直方图法 | 第33-35页 |
| 3.4.2 Ostu二值法 | 第35-36页 |
| 3.4.3 改进的双峰直方图分割法 | 第36-38页 |
| 3.4.4 形态学处理 | 第38-40页 |
| 3.5 几何特征提取 | 第40-43页 |
| 3.6 小结 | 第43-44页 |
| 第4章 锂电池气胀检测分类识别算法 | 第44-62页 |
| 4.1 分类器模型的建立 | 第44-45页 |
| 4.2 结合K-Fold验证的GA参数寻优 | 第45-52页 |
| 4.2.1 K-Fold交叉验证 | 第45-46页 |
| 4.2.2 遗传算法 | 第46-50页 |
| 4.2.3 SVM参数寻优方法 | 第50-52页 |
| 4.3 基于粗糙集的气胀检测性能改进 | 第52-57页 |
| 4.3.1 覆盖粗糙集属性约简 | 第53-54页 |
| 4.3.2 简化区分矩阵的属性约简方法 | 第54-57页 |
| 4.3.3 锂电池特征属性优选 | 第57页 |
| 4.4 实验结果与分析 | 第57-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 锂电池气胀检测原型系统软件设计 | 第62-72页 |
| 5.1 检测系统总体概述 | 第62-64页 |
| 5.1.1 系统原型 | 第62-63页 |
| 5.1.2 检测方法 | 第63页 |
| 5.1.3 设计重点与难点 | 第63-64页 |
| 5.2 检测系统软件设计 | 第64-66页 |
| 5.2.1 发开环境与工具 | 第64-65页 |
| 5.2.2 软件结构与功能 | 第65-66页 |
| 5.3 用户交互界面 | 第66-70页 |
| 5.4 本章小结 | 第70-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 附录A (攻读学位期间发表的学术论文目录) | 第80页 |
