| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题的背景和意义 | 第12-13页 |
| 1.2 机器视觉的研究状况 | 第13-15页 |
| 1.3 玻璃检测技术的研究状况 | 第15-16页 |
| 1.3.1 国外的研究进展 | 第15页 |
| 1.3.2 国内的研究进展 | 第15-16页 |
| 1.4 本文的研究内容和组织结构 | 第16-18页 |
| 第二章 玻璃器皿缺陷检测系统总体设计方案 | 第18-26页 |
| 2.1 系统总体方案 | 第18-19页 |
| 2.2 硬件系统的设计方案 | 第19-23页 |
| 2.2.1 构成及功能 | 第19页 |
| 2.2.2 相机和镜头的选型 | 第19-20页 |
| 2.2.3 光源和照明设计方案 | 第20-23页 |
| 2.3 软件系统的设计方案 | 第23-24页 |
| 2.3.1 软件系统构成 | 第23-24页 |
| 2.3.2 玻璃缺陷检测软件流程设计 | 第24页 |
| 2.4 系统技术要求 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 玻璃器皿图像的预处理技术 | 第26-38页 |
| 3.1 图像的滤波 | 第26-30页 |
| 3.1.1 影响玻璃器皿图像质量的因素 | 第26-27页 |
| 3.1.2 噪声的分类 | 第27-28页 |
| 3.1.3 均值滤波 | 第28页 |
| 3.1.4 改进的自适应加权掩模滤波 | 第28-30页 |
| 3.2 图像的锐化 | 第30-32页 |
| 3.2.1 图像梯度锐化算法原理 | 第31页 |
| 3.2.2 玻璃器皿图像的边缘锐化 | 第31-32页 |
| 3.3 图像的增强 | 第32-36页 |
| 3.3.1 灰度变换 | 第32-35页 |
| 3.3.2 直方图增强 | 第35-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 玻璃器皿图像中缺陷的检测与分割 | 第38-66页 |
| 4.1 玻璃器皿缺陷检测原理 | 第38-41页 |
| 4.1.1 玻璃器皿缺陷分析 | 第38-40页 |
| 4.1.2 玻璃器皿缺陷的灰度变化 | 第40-41页 |
| 4.2 玻璃器皿图像ROI提取 | 第41-51页 |
| 4.2.1 基于先验知识手动圈定ROI | 第42-43页 |
| 4.2.2 基于匹配算法自动设定ROI | 第43-51页 |
| 4.3 普通玻璃器皿缺陷检测方法 | 第51-58页 |
| 4.3.1 基于边缘的缺陷分割算法 | 第51-55页 |
| 4.3.2 基于阈值的缺陷分割算法 | 第55-58页 |
| 4.4 基于局部快速OTSU分割的微小缺陷检测方法 | 第58-61页 |
| 4.5 基于小波变换的微弱缺陷的检测方法 | 第61-65页 |
| 4.6 本章小结 | 第65-66页 |
| 第五章 玻璃器皿缺陷的特征提取与分类 | 第66-80页 |
| 5.1 玻璃缺陷图像的特征提取 | 第66-70页 |
| 5.1.1 基于几何参数的特征提取 | 第66-68页 |
| 5.1.2 基于不变矩的特征提取 | 第68-70页 |
| 5.2 基于特征阈值的玻璃缺陷分类 | 第70-72页 |
| 5.2.1 缺陷分类算法过程 | 第70-71页 |
| 5.2.2 实验结果验证及分析 | 第71-72页 |
| 5.3 基于BP神经网络的玻璃缺陷识别分类 | 第72-77页 |
| 5.3.1 BP神经网络原理 | 第73-74页 |
| 5.3.2 BP神经网络的设计与训练 | 第74-76页 |
| 5.3.3 实验结果验证及分析 | 第76-77页 |
| 5.4 对比分析 | 第77-78页 |
| 5.5 本章小结 | 第78-80页 |
| 第六章 玻璃器皿缺陷检测系统的验证 | 第80-86页 |
| 6.1 硬件系统搭建 | 第80页 |
| 6.2 软件系统 | 第80-85页 |
| 6.3 本章小结 | 第85-86页 |
| 第七章 总结与展望 | 第86-90页 |
| 7.1 全文总结 | 第86-87页 |
| 7.2 工作展望 | 第87-90页 |
| 参考文献 | 第90-94页 |
| 致谢 | 第94-96页 |
| 攻读硕士学位期间取得的研究成果 | 第96-97页 |
| 学位论文评阅及答辩情况表 | 第97页 |