| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 目录 | 第5-7页 |
| 第1章 绪论 | 第7-16页 |
| 1.1 课题产生的背景及意义 | 第7页 |
| 1.2 钢管表面缺陷检测的技术现状 | 第7-14页 |
| 1.2.1 传统的无损检测技术 | 第8-10页 |
| 1.2.2 机器视觉检测技术 | 第10-14页 |
| 1.3 本课题主要内容安排 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 基于机器视觉的钢管外表面缺陷检测系统 | 第16-24页 |
| 2.1 图像的采集 | 第17-19页 |
| 2.1.1 相机的选型与采集程序的设计 | 第17-18页 |
| 2.1.2 系统照明设计 | 第18-19页 |
| 2.2 缺陷检测系统 | 第19-20页 |
| 2.3 缺陷识别系统 | 第20页 |
| 2.4 缺陷的类型与产生原因 | 第20-23页 |
| 2.5 小结 | 第23-24页 |
| 第3章 钢管外表面缺陷检测算法实现 | 第24-46页 |
| 3.1 图像的预处理 | 第24-28页 |
| 3.1.1 频率域法 | 第24-26页 |
| 3.1.2 空间域法 | 第26-28页 |
| 3.2 图像分割 | 第28-40页 |
| 3.2.1 基于阈值的分割方法 | 第28-29页 |
| 3.2.2 基于边缘的图像分割方法 | 第29-33页 |
| 3.2.3 形态学与形态学分割算法 | 第33-36页 |
| 3.2.4 Canny 与形态学梯度融合的边缘检测方法 | 第36-38页 |
| 3.2.5 各种分割算法的实验结果与数据分析 | 第38-40页 |
| 3.3 缺陷区域的定位 | 第40-44页 |
| 3.3.1 标注连通分量算法 | 第41页 |
| 3.3.2 区域填充算法 | 第41-43页 |
| 3.3.3 区域定位算法 | 第43-44页 |
| 3.4 缺陷检测系统的软件界面 | 第44-45页 |
| 3.5 小结 | 第45-46页 |
| 第4章 缺陷图像的特征提取与选择 | 第46-62页 |
| 4.1 图像特征的提取与选择 | 第46页 |
| 4.2 特征选取的准则 | 第46-47页 |
| 4.3 钢管表面缺陷的特征提取 | 第47-61页 |
| 4.3.1 灰度特征 | 第47-50页 |
| 4.3.2 形状特征 | 第50-55页 |
| 4.3.3 纹理特征 | 第55-61页 |
| 4.4 特征选择 | 第61页 |
| 4.5 小结 | 第61-62页 |
| 第5章 钢管表面缺陷识别系统 | 第62-74页 |
| 5.1 人工神经网络 | 第62-68页 |
| 5.1.1 神经网络的原理 | 第62-64页 |
| 5.1.2 神经网络的结构 | 第64页 |
| 5.1.3 误差反向传播算法(BP 算法) | 第64-68页 |
| 5.1.4 反向传播算法的训练过程 | 第68页 |
| 5.2 BP 神经网络在钢管表面缺陷检测中的应用 | 第68-73页 |
| 5.2.1 BP 神经网络设计的关键问题研究 | 第68-70页 |
| 5.2.2 BP 网络训练与分类的实验结果 | 第70-73页 |
| 5.3 小结 | 第73-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74页 |
| 6.2 展望 | 第74-76页 |
| 参考文献 | 第76-79页 |
| 致谢 | 第79-80页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第80页 |