带钢表面缺陷智能化辨识方法的研究
| 前言 | 第1-10页 |
| 1 概述 | 第10-14页 |
| ·带钢表面缺陷检测的发展现状 | 第10-12页 |
| ·课题的来源及意义 | 第12-13页 |
| ·课题研究内容 | 第13-14页 |
| 2 带钢表面缺陷识别系统方案设计 | 第14-17页 |
| ·整体方案设计 | 第14-17页 |
| ·图像采集部分的设计 | 第14-15页 |
| ·图像处理部分的设计 | 第15页 |
| ·神经网络部分设计 | 第15-16页 |
| ·软件的组成 | 第16-17页 |
| 3 图像处理与分析系统 | 第17-34页 |
| ·图像预处理 | 第17-21页 |
| ·预处理图像算法选择 | 第17-21页 |
| ·图像分割算法 | 第21-24页 |
| ·图像分割的一般模型 | 第21-22页 |
| ·图像分割算法选择 | 第22-24页 |
| ·数学形态学滤波 | 第24-26页 |
| ·二值腐蚀和膨胀 | 第24-25页 |
| ·开启闭合运算 | 第25页 |
| ·形态学滤波器的设计 | 第25-26页 |
| ·图像分析 | 第26-34页 |
| ·区域形状整体特征参数的提取 | 第26-33页 |
| ·图像特征参数分析 | 第33-34页 |
| 4 神经网络系统 | 第34-42页 |
| ·概述 | 第34-35页 |
| ·自适应共振神经网络的结构设计 | 第35-39页 |
| ·ART网络的结构 | 第35-37页 |
| ·ART的运行过程 | 第37-39页 |
| ·ART神经网络的结构参数设计 | 第39-40页 |
| ·ART神经网络的识别流程图 | 第40页 |
| ·神经网络的输入与输出 | 第40-42页 |
| ·神经网络的输入 | 第40-41页 |
| ·神经网络的输出 | 第41-42页 |
| 5 带钢表面缺陷识别系统的软件组成 | 第42-56页 |
| ·带钢表面缺陷识别系统的软件总框架 | 第42-43页 |
| ·系统软件的设计思想 | 第43页 |
| ·设备无关位图(DIB)的数据结构 | 第43-45页 |
| ·BMP文件中DIB的数据结构 | 第43-45页 |
| ·带钢表面缺陷检测系统处理流程 | 第45-48页 |
| ·图像采集模块 | 第45页 |
| ·图像预处理模块 | 第45-46页 |
| ·图像分割模块 | 第46-47页 |
| ·图像同态滤波模块 | 第47-48页 |
| ·图像的特征提取模块 | 第48-54页 |
| ·目标图像的面积 | 第48-49页 |
| ·目标图像的周长 | 第49-50页 |
| ·目标图像的转折度 | 第50-52页 |
| ·目标图像的圆度 | 第52页 |
| ·图像的整体凹度 | 第52-54页 |
| ·图像的欧拉数 | 第54页 |
| ·目标图像的线度 | 第54页 |
| ·神经网络的软件实现 | 第54-56页 |
| 6 实验及系统误差分析 | 第56-67页 |
| ·概述 | 第56页 |
| ·实验条件 | 第56-58页 |
| ·实验平台的基本构成 | 第56页 |
| ·软件构成 | 第56-58页 |
| ·硬件构成 | 第58页 |
| ·特征参数的提取试验 | 第58-59页 |
| ·图像特征参数的数据分析 | 第59-61页 |
| ·神经网络输出数据检测 | 第61-62页 |
| ·图像处理及特征参数提取的时间 | 第62-64页 |
| ·综合实验的数据处理 | 第64页 |
| ·实验误差及误差源分析 | 第64-66页 |
| ·噪声的模型 | 第65页 |
| ·系统噪声的来源 | 第65-66页 |
| ·带钢表面缺陷智能检测系统改进的设想 | 第66-67页 |
| ·缺陷识别精度的提高 | 第66页 |
| ·处理时间的改进 | 第66-67页 |
| 总结与展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 附录 | 第72页 |
