| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-13页 |
| 1.3 存在的问题及解决思路分析 | 第13-14页 |
| 1.4 课题研究的主要内容 | 第14-15页 |
| 第二章 图像预处理 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 常见的预处理算法 | 第15-19页 |
| 2.3 各项异性扩散预处理算法 | 第19-23页 |
| 2.3.1 各项异性扩散算法原理 | 第19-20页 |
| 2.3.2 预处理结果 | 第20-23页 |
| 2.4 本章小节 | 第23-24页 |
| 第三章 带钢表面缺陷预检测算法 | 第24-38页 |
| 3.1 引言 | 第24页 |
| 3.2 BING算法介绍 | 第24-31页 |
| 3.2.1 目标的共性与梯度特征 | 第24-26页 |
| 3.2.2 训练目标模型和参数过程 | 第26-27页 |
| 3.2.3 二值化过程 | 第27-31页 |
| 3.3 基于BING的带钢表面缺陷预检测 | 第31-33页 |
| 3.3.1 缺陷预检测流程 | 第31页 |
| 3.3.2 缺陷预检测结果 | 第31-33页 |
| 3.4 融入熵的E-BING预检测算法 | 第33-37页 |
| 3.4.1 熵特征的提取 | 第33-34页 |
| 3.4.2 融入熵的BING预检测过程 | 第34-35页 |
| 3.4.3 实验结果及分析 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于R-AdaBoost的缺陷精确定位 | 第38-54页 |
| 4.1 引言 | 第38-39页 |
| 4.2 特征提取 | 第39-43页 |
| 4.2.1 常见特征提取 | 第39-42页 |
| 4.2.2 小波特征提取 | 第42-43页 |
| 4.3 AdaBoost算法 | 第43-44页 |
| 4.4 Relief特征选择算法 | 第44-45页 |
| 4.5 基于R-AdaBoost的缺陷特征选择算法及精确定位 | 第45-52页 |
| 4.5.1 R-AdaBoost算法的思想与原理 | 第45-47页 |
| 4.5.2 样本选择 | 第47页 |
| 4.5.3 特征选择 | 第47-49页 |
| 4.5.4 实验结果及分析 | 第49-52页 |
| 4.6 本章小节 | 第52-54页 |
| 第五章 由粗到精的BING-AdaBoost融合检测算法 | 第54-60页 |
| 5.1 引言 | 第54页 |
| 5.2 融合算法 | 第54-56页 |
| 5.3 实验结果与分析 | 第56-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间所获得的相关科研成果 | 第68页 |