| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究的背景及意义 | 第10页 |
| 1.2 国内外研究概况 | 第10-13页 |
| 1.2.1 核方法的发展 | 第10-11页 |
| 1.2.2 钢板表面的机器视觉检测国内外研究现状 | 第11-12页 |
| 1.2.3 核方法应用综述 | 第12-13页 |
| 1.3 本文主要研究内容及结构安排 | 第13-15页 |
| 第2章 基于核回归图像去噪方法的研究与应用 | 第15-28页 |
| 2.1 经典的去噪方法 | 第15-16页 |
| 2.1.1 均值滤波 | 第15页 |
| 2.1.2 中值滤波 | 第15-16页 |
| 2.2 经典核回归 | 第16-18页 |
| 2.3 迭代控制核回归 | 第18-22页 |
| 2.3.1 自适应核回归 | 第18-21页 |
| 2.3.2 迭代过程 | 第21-22页 |
| 2.4 实验结果分析 | 第22-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于核的特征降维方法的研究与应用 | 第28-52页 |
| 3.1 带钢表面缺陷的特征提取 | 第28-33页 |
| 3.1.1 几何特征 | 第28-29页 |
| 3.1.2 纹理特征 | 第29-30页 |
| 3.1.3 灰度特征 | 第30-31页 |
| 3.1.4 不变矩和拓扑特征 | 第31-32页 |
| 3.1.5 带钢缺陷图像的特征量 | 第32-33页 |
| 3.2 主成分分析方法 | 第33-38页 |
| 3.2.1 主成分分析数学模型和基本原理 | 第33-34页 |
| 3.2.2 主成分分析算法步骤 | 第34-35页 |
| 3.2.3 带钢表面图像PCA降维实现 | 第35-38页 |
| 3.3 基于核的主成分分析方法 | 第38-41页 |
| 3.3.1 基于核主成分分析基本原理 | 第38-39页 |
| 3.3.2 基于核主成分分析算法步骤 | 第39-40页 |
| 3.3.3 带钢表面图像KPCA降维实现 | 第40-41页 |
| 3.4 Fisher判别分析降维 | 第41-44页 |
| 3.4.1 Fisher判别分析降维数学模型和基本原理 | 第41-43页 |
| 3.4.2 Fisher判别分析降维算法步骤 | 第43页 |
| 3.4.3 带钢表面图像FDA降维实现 | 第43-44页 |
| 3.5 基于核的Fisher判别分析降维 | 第44-48页 |
| 3.5.1 基于核的Fisher判别分析降维的基本原理 | 第44-46页 |
| 3.5.2 基于核的Fisher判别分析降维算法步骤 | 第46-47页 |
| 3.5.3 带钢表面图像KFDA降维实现 | 第47-48页 |
| 3.6 实验结果分析对比 | 第48-51页 |
| 3.6.1 各特征降维方法的分析 | 第48页 |
| 3.6.2 实验结果对比 | 第48-51页 |
| 3.7 本章小结 | 第51-52页 |
| 第4章 基于核方法的目标识别和分类 | 第52-63页 |
| 4.1 BP神经网络的带钢表面缺陷识别和分类 | 第52-55页 |
| 4.1.1 BP神经网络的模型和算法 | 第52-54页 |
| 4.1.2 带钢表面缺陷BP神经网络的设计 | 第54页 |
| 4.1.3 分类识别结果 | 第54-55页 |
| 4.2 核Fisher判别分析的识别和分类 | 第55-61页 |
| 4.2.1 核Fisher判别分析多类分类的原理和算法 | 第55-58页 |
| 4.2.2 KFDA判别中RBF核函数参数σ优化 | 第58-60页 |
| 4.2.3 分类识别结果 | 第60-61页 |
| 4.3 PCA-BP和KPCA-BP的带钢表面缺陷识别 | 第61-62页 |
| 4.3.1 PCA-BP和KPCA-BP模型 | 第61页 |
| 4.3.2 各识别方法结果对比分析 | 第61-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 全文总结 | 第63页 |
| 5.2 展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录1 攻读硕士学位期间发表的论文 | 第69-70页 |
| 附录2 攻读硕学位期间参加的科研项目 | 第70-71页 |
| 详细摘要 | 第71-75页 |
