| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第11-12页 |
| 缩略词 | 第12-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13页 |
| 1.2 国内外发展现状 | 第13-16页 |
| 1.2.1 车轮检测的国内外发展现状 | 第13-15页 |
| 1.2.2 基于机器视觉的表面状况无损检测发展历程与国内外发展现状 | 第15-16页 |
| 1.3 本文主要研究内容和工作 | 第16-19页 |
| 1.3.1 问题分析及解决方法 | 第16-17页 |
| 1.3.2 本文主要章节安排 | 第17-19页 |
| 第二章 机器学习方法选取与方案设计 | 第19-37页 |
| 2.1 监督学习与无监督学习 | 第19-21页 |
| 2.1.1 监督学习与多种分类算法比较 | 第19-20页 |
| 2.1.2 无监督学习与与多种聚类算法比较 | 第20-21页 |
| 2.2 SVM分类器 | 第21-27页 |
| 2.2.1 广义最优分类面 | 第21-24页 |
| 2.2.2 支持向量机原理与特点 | 第24-25页 |
| 2.2.3 SVM核函数选取 | 第25页 |
| 2.2.4 基于SVM的特征参数筛选算法设计 | 第25-27页 |
| 2.3 K-均值聚类算法 | 第27-34页 |
| 2.3.1 K-均值聚类算法的原理与特点 | 第27-28页 |
| 2.3.2 K-均值聚类算法参数选取 | 第28-29页 |
| 2.3.3 基于K-均值的表面状况无损检测算法设计 | 第29-34页 |
| 2.4 基于深度学习的半监督学习方法初探 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 基于统计纹理特征的图像特征提取 | 第37-49页 |
| 3.1 纹理概述 | 第37-38页 |
| 3.1.1 常用的纹理特征提取方法 | 第37-38页 |
| 3.1.2 特征筛选的基本任务 | 第38页 |
| 3.2 基于灰度共生矩阵的纹理特征 | 第38-44页 |
| 3.2.1 灰度共生矩阵的原理与特点 | 第39-40页 |
| 3.2.2 GLCM在本文中的应用效果分析及特征参数筛选 | 第40-44页 |
| 3.3 基于灰度-梯度共生矩阵纹理特征 | 第44-47页 |
| 3.3.1 灰度-梯度共生矩阵的原理和特点 | 第45-46页 |
| 3.3.2 GGCM在本文中的应用效果及分析 | 第46-47页 |
| 3.4 本章小结 | 第47-49页 |
| 第四章 基于频谱的图像纹理特征提取 | 第49-60页 |
| 4.1 基于GABOR变换的频谱特征 | 第49-56页 |
| 4.1.1 GABOR变换原理 | 第50-51页 |
| 4.1.2 GABOR变换在本文中的应用效果及分析 | 第51-56页 |
| 4.2 基于小波分析的频谱特征 | 第56-59页 |
| 4.2.1 Haar小波变换 | 第56-57页 |
| 4.2.2 Haar小波变换在本文中的应用效果及分析 | 第57-59页 |
| 4.3 本章小结 | 第59-60页 |
| 第五章 列车车轮踏面表面擦伤检测实验结果与分析 | 第60-66页 |
| 5.1 基于SVM的综合特征筛选与分析 | 第60-62页 |
| 5.1.1 基于SVM和统计纹理特征的无损检测结果与分析 | 第60-61页 |
| 5.1.2 基于SVM和频谱纹理特征的无损检测结果与分析 | 第61-62页 |
| 5.2 基于K均值与特征矢量的表面状况无损检测结果与分析 | 第62-65页 |
| 5.2.1 初步聚类检测结果 | 第62-63页 |
| 5.2.2 基于数学形态学的筛选算法 | 第63-64页 |
| 5.2.3 总体无损检测方案的确定、最终检测结果及分析 | 第64-65页 |
| 5.3 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73-74页 |
| 在学期间的研究成果及发表的学术论文 | 第74页 |
