基于机器视觉的纸病检测系统的研究与实现
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 纸病检测技术的国内外研究现状 | 第13-17页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-17页 |
| 1.3 主要研究内容及章节安排 | 第17-19页 |
| 1.3.1 主要研究内容 | 第17-18页 |
| 1.3.2 章节安排 | 第18-19页 |
| 2 纸病检测系统总体方案设计 | 第19-33页 |
| 2.1 机器视觉系统 | 第19-21页 |
| 2.1.1 机器视觉理论 | 第19页 |
| 2.1.2 机器视觉系统结构的研究 | 第19-21页 |
| 2.2 系统实验平台的设计与实现 | 第21-31页 |
| 2.2.1 照明系统的设计 | 第21-23页 |
| 2.2.2 工业相机及镜头的选择 | 第23-28页 |
| 2.2.3 采集卡的选择 | 第28-29页 |
| 2.2.4 实验平台的安装与调试 | 第29-31页 |
| 2.3 系统软件总体方案设计 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 纸病图像特征提取方法研究与实现 | 第33-57页 |
| 3.1 数字图像处理技术 | 第33-40页 |
| 3.1.1 数字图像文件 | 第33-35页 |
| 3.1.2 图像增强 | 第35-38页 |
| 3.1.3 图像形态学处理 | 第38-39页 |
| 3.1.4 轮廓跟踪算法及改进 | 第39-40页 |
| 3.2 纸病区域的提取 | 第40-50页 |
| 3.2.1 纸病图像的预处理 | 第41-43页 |
| 3.2.2 纸病检测 | 第43-44页 |
| 3.2.3 纸病区域的提取 | 第44-50页 |
| 3.3 图像特征的提取 | 第50-56页 |
| 3.3.1 图像特征的描述方法 | 第50-51页 |
| 3.3.2 图像纹理特征的分析方法 | 第51-52页 |
| 3.3.3 基于纹理的图像特征提取 | 第52-56页 |
| 3.4 本章小结 | 第56-57页 |
| 4 纸病图像分类器的研究与实现 | 第57-68页 |
| 4.1 人工神经网络及BP算法 | 第57-61页 |
| 4.1.1 神经网络的基本原理 | 第57-59页 |
| 4.1.2 BP前向神经网络 | 第59-61页 |
| 4.2 BP神经网络分类器设计 | 第61-65页 |
| 4.2.1 分类器结构的确定 | 第61-62页 |
| 4.2.2 训练数据的处理 | 第62-63页 |
| 4.2.3 分类器的训练 | 第63-65页 |
| 4.3 分类器的实现与结果分析 | 第65-67页 |
| 4.4 本章小结 | 第67-68页 |
| 5 纸病检测系统软件设计及实现 | 第68-79页 |
| 5.1 面向对象编程 | 第68-69页 |
| 5.1.1 面向对象 | 第68页 |
| 5.1.2 MFC类 | 第68-69页 |
| 5.1.3 Sapera++类 | 第69页 |
| 5.2 系统软件功能介绍 | 第69-73页 |
| 5.2.1 平场校正模块 | 第71页 |
| 5.2.2 视频采集模块 | 第71-72页 |
| 5.2.3 图像特征提取模块 | 第72-73页 |
| 5.2.4 纸病分类器模块 | 第73页 |
| 5.3 GUI界面及检测结果分析 | 第73-76页 |
| 5.3.1 GUI界面设计 | 第73-75页 |
| 5.3.2 检测结果分析 | 第75-76页 |
| 5.4 纸病检测系统测试与分析 | 第76-78页 |
| 5.5 本章小结 | 第78-79页 |
| 6 总结与展望 | 第79-81页 |
| 6.1 全文工作总结 | 第79-80页 |
| 6.2 未来工作展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻读学位期间发表的学术论文目录 | 第86-87页 |
