| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-15页 |
| ·课题的研究意义 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·论文主要工作 | 第14页 |
| ·论文组织结构 | 第14-15页 |
| 第2章 受电弓瓷瓶图像分割 | 第15-30页 |
| ·基于灰度的受电弓瓷瓶图像分割 | 第15-21页 |
| ·基于边缘的分割 | 第15-18页 |
| ·基于阈值的分割 | 第18-21页 |
| ·基于色彩的受电弓瓷瓶图像分割 | 第21-26页 |
| ·颜色空间基础 | 第21-23页 |
| ·K-means聚类分割 | 第23-26页 |
| ·K-means聚类分割实验结果 | 第26-27页 |
| ·受电弓瓷瓶图像形态学处理 | 第27-30页 |
| 第3章 BP神经网络瓷瓶识别定位 | 第30-45页 |
| ·人工神经网络基础 | 第31-35页 |
| ·神经元模型 | 第31页 |
| ·转移函数 | 第31-33页 |
| ·神经网络学习规则 | 第33-34页 |
| ·人工神经网络分类 | 第34-35页 |
| ·BP神经网络理论 | 第35-39页 |
| ·神经网络结构 | 第35-36页 |
| ·BP算法原理 | 第36-39页 |
| ·瓷瓶特征提取 | 第39-40页 |
| ·BP神经网络瓷瓶识别定位结果及分析 | 第40-45页 |
| ·BP神经网络训练 | 第40-42页 |
| ·彩色瓷瓶识别定位 | 第42-43页 |
| ·实验结果及分析 | 第43-45页 |
| 第4章 基于Adaboost算法目标检测原理 | 第45-54页 |
| ·Adaboost算法原理 | 第45-48页 |
| ·Boosting算法概述 | 第45-46页 |
| ·Adaboost学习算法 | 第46-48页 |
| ·基于Adaboost算法的目标检测方法 | 第48-54页 |
| ·Haar-like矩形特征 | 第48-49页 |
| ·积分图 | 第49-51页 |
| ·弱分类器 | 第51页 |
| ·级联强分类器的构造 | 第51-54页 |
| 第5章 基于Adaboost方法受电弓瓷瓶检测实验及结果 | 第54-62页 |
| ·动态在线受电弓瓷瓶图像采集系统 | 第54-55页 |
| ·基于Adaboost目标检测方法的瓷瓶检测实验 | 第55-59页 |
| ·训练样本集的选择和处理 | 第55-57页 |
| ·样本训练 | 第57-58页 |
| ·受电弓瓷瓶检测 | 第58-59页 |
| ·检测结果及分析 | 第59-62页 |
| 总结与展望 | 第62-64页 |
| 论文工作总结 | 第62页 |
| 未来工作展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 附录 | 第68-72页 |
| 攻读硕士期间发表论文及成果 | 第72页 |