摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第一章 绪论 | 第12-32页 |
1.1 金属表面瑕疵检测的研究背景 | 第12-13页 |
1.2 基于机器视觉的金属表面瑕疵检测系统 | 第13-18页 |
1.2.1 机器视觉的发展 | 第14-15页 |
1.2.2 机器视觉的概念 | 第15-17页 |
1.2.3 典型机器视觉系统及其工业应用 | 第17-18页 |
1.3 现在常用的瑕疵检测的方法 | 第18-31页 |
1.3.1 纹理分析方法 | 第19-28页 |
1.3.2 模板匹配的图像缺陷识别算法 | 第28-31页 |
1.4 本文内容 | 第31-32页 |
第二章 基于支持向量机的金属表面瑕疵检测算法 | 第32-54页 |
2.1 检测系统的构成 | 第32-34页 |
2.2 图像概述 | 第34-39页 |
2.2.1 图像与数字图像 | 第34-36页 |
2.2.2 图像的采样和量化 | 第36-37页 |
2.2.3 灰度直方图 | 第37-38页 |
2.2.4 确定阈值算法 | 第38-39页 |
2.3 模板制作 | 第39-40页 |
2.4 图像预处理 | 第40-53页 |
2.4.1 图像匹配 | 第41-49页 |
2.4.2 图像的归一化预处理 | 第49-53页 |
2.4.3 特征提取 | 第53页 |
2.5 本章小结 | 第53-54页 |
第三章 支持向量机 | 第54-72页 |
3.1 引言 | 第54-57页 |
3.2 SVM 基本概念 | 第57-63页 |
3.2.1 机器学习理论概述 | 第57-58页 |
3.2.2 线性可分问题 | 第58-61页 |
3.2.3 非线性可分问题 | 第61-63页 |
3.3 SVM 算法分类 | 第63-66页 |
3.3.1 V-SVM | 第63-64页 |
3.3.2 LS-SVM | 第64-65页 |
3.3.3 W-SVM | 第65-66页 |
3.4 SVM 训练算法 | 第66-68页 |
3.4.1 预处理 | 第66-67页 |
3.4.2 训练算法 | 第67-68页 |
3.5 支持向量机算法研究现状 | 第68-71页 |
3.6 本章小结 | 第71-72页 |
第四章 基于支持向量机的图像分类实验结果及工作总结 | 第72-74页 |
4.1 实验结果 | 第72-73页 |
4.2 本文工作总结 | 第73页 |
4.3 将来工作的展望 | 第73-74页 |
参考文献 | 第74-79页 |
致谢 | 第79-80页 |
攻读硕士期间所发表的论文 | 第80页 |