基于PNN的板材孔洞缺陷红外热波检测及其识别技术
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-17页 |
| ·研究背景及意义 | 第8-9页 |
| ·板材表面缺陷检测技术及研究现状 | 第9-13页 |
| ·常用板材表面缺陷检测技术 | 第9-11页 |
| ·红外热波检测技术 | 第11-12页 |
| ·板材表面红外热波检测研究现状 | 第12-13页 |
| ·板材表面缺陷识别技术及研究现状 | 第13-15页 |
| ·模式识别技术 | 第13-14页 |
| ·缺陷识别技术研究现状 | 第14-15页 |
| ·本文的研究内容及结构安排 | 第15-17页 |
| ·研究内容 | 第15-16页 |
| ·论文的基本结构及安排 | 第16-17页 |
| 第二章 板材表面孔洞缺陷的红外热波检测 | 第17-26页 |
| ·研究目的及技术方案 | 第17-18页 |
| ·基于红外热图采集原理 | 第18-19页 |
| ·红外热图采集实验 | 第19-22页 |
| ·实验设备 | 第20-21页 |
| ·试件制备 | 第21-22页 |
| ·实验方法 | 第22页 |
| ·实验结果分析 | 第22-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于主成分分析的孔洞缺陷特征提取 | 第26-37页 |
| ·初始特征获取 | 第26-31页 |
| ·主成分分析 | 第31-33页 |
| ·主成分分析基本原理 | 第31-32页 |
| ·主成分分析基本步骤 | 第32-33页 |
| ·基于主成分分析的特征选择与提取 | 第33-36页 |
| ·特征选择 | 第33-34页 |
| ·基于主成分分析的特征提取 | 第34-35页 |
| ·特征向量降维结果 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于概率神经网络的缺陷识别及面积评估 | 第37-52页 |
| ·概率神经网络 | 第37-39页 |
| ·概率神经网络基本原理 | 第37页 |
| ·基于概率神经网络的建立 | 第37-39页 |
| ·概率神经网络识别结果及分析 | 第39-41页 |
| ·基于概率神经网络的面积评估 | 第41-42页 |
| ·支持向量机概述 | 第42-45页 |
| ·线性可分的支持向量机 | 第42-44页 |
| ·非线性的支持向量机 | 第44-45页 |
| ·核函数 | 第45页 |
| ·基于支持向量机的缺陷识别及面积评估 | 第45-50页 |
| ·基于支持向量机的缺陷识别方法 | 第45-48页 |
| ·支持向量机识别结果及分析 | 第48-49页 |
| ·基于支持向量机的面积评估 | 第49-50页 |
| ·算法比较与性能分析 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| ·论文总结 | 第52-53页 |
| ·展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 个人简历 在读期间发表的学术论文 | 第57-58页 |
| 致谢 | 第58页 |
