| 摘要 | 第1-4页 |
| Abstract | 第4-10页 |
| 1 绪论 | 第10-28页 |
| ·课题研究的目的及意义 | 第10-11页 |
| ·课题的研究目的 | 第10页 |
| ·课题的科学依据及意义 | 第10-11页 |
| ·钢板表面质量检测的研究概况 | 第11-18页 |
| ·人工检测方法 | 第11页 |
| ·传统无损检测技术及应用 | 第11-13页 |
| ·涡流检测技术的应用 | 第11-12页 |
| ·红外检测技术的应用 | 第12-13页 |
| ·漏磁检测技术的应用 | 第13页 |
| ·机器视觉检测技术的发展概况 | 第13-17页 |
| ·基于激光扫描的机器视觉检测技术 | 第14-15页 |
| ·基于 CCD器件的机器视觉检测技术 | 第15-17页 |
| ·我国在本领域的研究状况 | 第17页 |
| ·在线检测技术的研究现状及展望 | 第17-18页 |
| ·钢板表面缺陷识别技术的发展概况 | 第18-21页 |
| ·图像处理与模式识别技术综述 | 第18-20页 |
| ·图像处理技术的发展概况 | 第18-19页 |
| ·模式识别技术的发展概况 | 第19-20页 |
| ·缺陷识别技术的研究进展与现状分析 | 第20-21页 |
| ·人工神经网络在钢板表面缺陷识别中的应用 | 第21-27页 |
| ·人工神经网络的概念及特点 | 第21-24页 |
| ·神经网络发展简史及分类 | 第24-25页 |
| ·神经网络的应用 | 第25-27页 |
| ·本文的主要研究内容 | 第27-28页 |
| 2 钢板表面质量检测系统的方案设计 | 第28-35页 |
| ·钢板表面质量检测的系统组成 | 第28-29页 |
| ·钢板表面质量检测系统的工作原理 | 第29-31页 |
| ·系统的硬件结构及软件流程 | 第31-33页 |
| ·硬件结构 | 第31页 |
| ·软件流程 | 第31-33页 |
| ·钢板表面质量检测系统的技术指标 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 3 钢板表面缺陷图像处理算法的研究 | 第35-52页 |
| ·数字图像处理原理 | 第35页 |
| ·缺陷图像的增强 | 第35-37页 |
| ·缺陷图像的对比度增强 | 第36-37页 |
| ·缺陷图像平滑算法的探究 | 第37-45页 |
| ·噪声的类型 | 第38页 |
| ·空域中缺陷图像的平滑 | 第38-40页 |
| ·缺陷图像的锐化 | 第40-42页 |
| ·改进的小波滤波算法 | 第42-45页 |
| ·一种改进的 Canny算子边缘检测方法 | 第45-50页 |
| ·传统的Canny算子边缘检测机理 | 第45-46页 |
| ·改进的Canny算子边缘检测算法 | 第46-48页 |
| ·算法实例 | 第48-50页 |
| ·本章小结 | 第50-52页 |
| 4 基于几何不变性的缺陷特征提取 | 第52-67页 |
| ·样本库的建立 | 第52-54页 |
| ·样本库的基本类型 | 第52-53页 |
| ·样本库基本类型的扩展 | 第53-54页 |
| ·特征的提取 | 第54-55页 |
| ·特征提取的含义 | 第54页 |
| ·常用的图像特征 | 第54-55页 |
| ·一种改进的投影特征参量提取方法 | 第55-58页 |
| ·方法原理 | 第55-58页 |
| ·算法实例 | 第58页 |
| ·基于 Hu不变矩的缺陷特征提取 | 第58-62页 |
| ·图像的不变矩 | 第58-60页 |
| ·矩的物理意义 | 第60-61页 |
| ·计算不变矩特征值 | 第61页 |
| ·算法实例 | 第61-62页 |
| ·基于 Zernike不变矩的缺陷特征提取 | 第62-65页 |
| ·Zernike矩描述 | 第63页 |
| ·平移和缩放的归一化 | 第63-64页 |
| ·算法实例 | 第64-65页 |
| ·复合不变矩特征 | 第65页 |
| ·复合不变矩特征对噪声适应性的讨论 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 5 钢板表面缺陷识别中的神经网络方法 | 第67-84页 |
| ·基于动态调节学习率改进 BP算法的缺陷识别方法 | 第67-72页 |
| ·传统 BP算法的权值修正 | 第67-68页 |
| ·传统 BP算法的缺点 | 第68-69页 |
| ·针对学习率的两种改进 | 第69-71页 |
| ·缺陷识别实验及分析 | 第71-72页 |
| ·基于非线性变换和奇异值分解改进 BP算法的缺陷识别方法 | 第72-75页 |
| ·奇异值分解及广义逆矩阵 | 第72-73页 |
| ·隐层权值的矩阵求解 | 第73-74页 |
| ·输出层权值的求解 | 第74页 |
| ·算法的改进 | 第74页 |
| ·缺陷识别实验及分析 | 第74-75页 |
| ·用于缺陷识别的带新型混合算法的RBF神经网络 | 第75-83页 |
| ·算法的改进原理 | 第75-76页 |
| ·改进算法的实现 | 第76-81页 |
| ·缺陷识别实验数据分析 | 第81-83页 |
| ·本章小结 | 第83-84页 |
| 6 钢板表面缺陷识别实验及算法分析 | 第84-91页 |
| ·实验系统的建立 | 第84-86页 |
| ·硬件系统 | 第84-85页 |
| ·软件流程 | 第85-86页 |
| ·实验选取的缺陷图像类型 | 第86-87页 |
| ·缺陷识别实验 | 第87-90页 |
| ·缺陷图像的处理及分析 | 第87页 |
| ·特征参数的提取 | 第87页 |
| ·识别网络的建立 | 第87-88页 |
| ·算法识别性能的比较与分析 | 第88-90页 |
| ·本章小结 | 第90-91页 |
| 结论 | 第91-93页 |
| 创新点摘要 | 第93-94页 |
| 参考文献 | 第94-100页 |
| 附录A 六种代表样本的处理图像 | 第100-104页 |
| 攻读博士学位期间发表学术论文情况 | 第104-105页 |
| 致谢 | 第105-106页 |
| 大连理工大学学位论文版权使用授权书 | 第106页 |