| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景 | 第16-17页 |
| 1.2 印制电路板焊点检测技术研究现状 | 第17-19页 |
| 1.3 本文完成研究内容及主要工作 | 第19页 |
| 1.4 本文组织结构 | 第19-22页 |
| 第二章 几种基于机器视觉的焊点检测算法 | 第22-34页 |
| 2.1 模板匹配法 | 第22-24页 |
| 2.1.1 模板匹配算法简述 | 第22-23页 |
| 2.1.2 模板匹配在焊点检测中的应用 | 第23-24页 |
| 2.2 支持向量机 | 第24-28页 |
| 2.2.1 支持向量机算法简述 | 第24-27页 |
| 2.2.2 支持向量机在焊点检测中的应用 | 第27-28页 |
| 2.3 BP神经网络 | 第28-31页 |
| 2.3.1 BP神经网络算法简述 | 第28-31页 |
| 2.3.2 BP神经网络在焊点检测中的应用 | 第31页 |
| 2.4 实验结果分析总结 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 Adaboost算法研究 | 第34-52页 |
| 3.1 Adaboost算法分析 | 第34-37页 |
| 3.1.1 Adaboost算法的提出 | 第34-35页 |
| 3.1.2 Adaboost算法原理 | 第35-37页 |
| 3.2 Haar矩形特征 | 第37-45页 |
| 3.2.1 Haar矩形特征引入 | 第38-42页 |
| 3.2.2 积分图的原理 | 第42-45页 |
| 3.3 基于Haar特征的Adaboost算法 | 第45-49页 |
| 3.3.2 弱分类器的训练 | 第46页 |
| 3.3.3 强分类器的获得 | 第46-47页 |
| 3.3.4 强分类器的级联 | 第47-49页 |
| 3.4 Adaboost算法特点总结 | 第49-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 基于Haar特征和Adaboost算法的焊点检测 | 第52-66页 |
| 4.1 可行性分析 | 第52-53页 |
| 4.2 图像采集 | 第53-54页 |
| 4.3 工作流程概述 | 第54-55页 |
| 4.4 分类器训练阶段 | 第55-59页 |
| 4.4.1 正负样本的采集 | 第55-58页 |
| 4.4.2 分类器的训练 | 第58-59页 |
| 4.4.3 训练结果与分析 | 第59页 |
| 4.5 分类器检测阶段 | 第59-60页 |
| 4.6 检测结果与系统性能分析 | 第60-64页 |
| 4.7 本章小结 | 第64-66页 |
| 第五章 改进的基于彩色Haar特征的焊点检测算法的研究 | 第66-76页 |
| 5.1 改进彩色Haar特征可行性分析 | 第66页 |
| 5.2 颜色模型的选取 | 第66-70页 |
| 5.2.1 RGB模型 | 第67-68页 |
| 5.2.2 YUV模型 | 第68页 |
| 5.2.3 HSV模型 | 第68-69页 |
| 5.2.4 颜色空间的选取 | 第69-70页 |
| 5.3 色彩与Haar特征的融合 | 第70-72页 |
| 5.4 实验结果以及对比分析 | 第72-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 本论文完成的工作和对改进算法的总结 | 第76-77页 |
| 6.1.1 本文的主要工作及结论 | 第76页 |
| 6.1.2 改进算法的优缺点总结 | 第76-77页 |
| 6.2 工作展望 | 第77-78页 |
| 参考文献 | 第78-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |