基于机器视觉的铁路扣件缺陷检测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-16页 |
| 1.1 选题背景和研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 相关技术设备现状 | 第10-12页 |
| 1.2.2 相关技术研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 2 图像预处理 | 第16-27页 |
| 2.1 彩色图像的灰度化 | 第16-17页 |
| 2.2 图像的去噪 | 第17-22页 |
| 2.2.1 均值滤波器 | 第18-20页 |
| 2.2.2 高斯滤波器 | 第20-21页 |
| 2.2.3 中值滤波器 | 第21-22页 |
| 2.3 图像的增强 | 第22-26页 |
| 2.3.1 梯度锐化 | 第23-24页 |
| 2.3.2 拉普拉斯锐化 | 第24-26页 |
| 2.4 小结 | 第26-27页 |
| 3 扣件区域定位 | 第27-36页 |
| 3.1 现有的扣件区域定位算法 | 第27-28页 |
| 3.2 本文的扣件区域定位算法 | 第28-33页 |
| 3.2.1 边缘检测方法概述及实现 | 第28-31页 |
| 3.2.2 LSD直线提取概述及实现 | 第31-33页 |
| 3.3 实验结果与分析 | 第33-35页 |
| 3.4 小结 | 第35-36页 |
| 4 扣件缺陷不同状态的识别分类 | 第36-52页 |
| 4.1 分类特征的提取 | 第36-43页 |
| 4.1.1 LBP特征 | 第36-39页 |
| 4.1.2 HOG特征 | 第39-40页 |
| 4.1.3 本文融合分层LBP和分层HOG的特征 | 第40-43页 |
| 4.2 SVM训练分类 | 第43-48页 |
| 4.2.1 SVM理论 | 第43-46页 |
| 4.2.2 多分类SVM | 第46-48页 |
| 4.3 实验及结果分析 | 第48-51页 |
| 4.4 小结 | 第51-52页 |
| 5 扣件检测系统设计 | 第52-56页 |
| 5.1 系统硬件结构及其功能 | 第52页 |
| 5.2 系统软件设计 | 第52-55页 |
| 5.2.1 开发软件简介 | 第52-53页 |
| 5.2.2 软件原型的实现与模块介绍 | 第53-55页 |
| 5.3 小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间的研究成果 | 第62页 |
