| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-17页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 人工检测 | 第13页 |
| 1.2.2 机器视觉检测 | 第13-15页 |
| 1.3 本文的研究内容 | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 2 触摸屏表面缺陷检测相关综述 | 第17-40页 |
| 2.1 触摸屏表面缺陷检测方法分析 | 第17页 |
| 2.2 特征提取 | 第17-32页 |
| 2.2.1 全局特征 | 第19-23页 |
| 2.2.2 局部特征 | 第23-32页 |
| 2.3 分类器设计 | 第32-35页 |
| 2.3.1 统计分类器 | 第32-33页 |
| 2.3.2 人工神经网络 | 第33页 |
| 2.3.3 支持向量机 | 第33-35页 |
| 2.4 稀疏表示相关研究 | 第35-39页 |
| 2.4.1 稀疏表示理论 | 第35-37页 |
| 2.4.2 稀疏表示求解算法 | 第37-38页 |
| 2.4.3 稀疏表示在缺陷检测算法中的应用 | 第38-39页 |
| 2.5 本章小结 | 第39-40页 |
| 3 基于SVM分类的触摸屏表面缺陷检测 | 第40-50页 |
| 3.1 实验数据和评价标准 | 第40-41页 |
| 3.2 基于GABOR特征和SVM的方法介绍 | 第41-44页 |
| 3.3 基于GLCM特征和SVM的方法介绍 | 第44-47页 |
| 3.4 实验结果与分析 | 第47-49页 |
| 3.4.1 基于GABOR特征和SVM的实验步骤 | 第47-48页 |
| 3.4.2 基于GLCM特征和SVM的实验步骤 | 第48页 |
| 3.4.3 结果对比和分析 | 第48-49页 |
| 3.5 小结 | 第49-50页 |
| 4 基于GABOR特征稀疏表示的触摸屏表面缺陷检测方法 | 第50-62页 |
| 4.1 问题描述 | 第50-51页 |
| 4.2 基于GABOR特征稀疏表示的触摸屏缺陷检测算法 | 第51-55页 |
| 4.3 实验结果与分析 | 第55-61页 |
| 4.3.1 与相似算法实验结果比较 | 第56-59页 |
| 4.3.2 参数有效性验证 | 第59-61页 |
| 4.4 小结 | 第61-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62页 |
| 5.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第68-70页 |
| 学位论文数据集 | 第70页 |