| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 注释表 | 第14-15页 |
| 缩略词 | 第15-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 课题研究的背景及意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-23页 |
| 1.2.1 有缆管道检测机器人 | 第16-20页 |
| 1.2.2 无缆管道检测机器人 | 第20-22页 |
| 1.2.3 基于数字图像处理技术的管道缺陷自动识别 | 第22-23页 |
| 1.3 本文的主要工作内容和章节安排 | 第23-24页 |
| 第二章 无缆管道检测机器人控制系统硬件电路设计 | 第24-38页 |
| 2.1 无线数据传输方案 | 第24-28页 |
| 2.1.1 常用的短距离无线通信技术 | 第24-25页 |
| 2.1.2 基于nRF24L01芯片的无线数据传输 | 第25-27页 |
| 2.1.3 WIFI无线视频传输 | 第27-28页 |
| 2.2 硬件电路系统设计 | 第28-37页 |
| 2.2.1 微处理器STM32及最小系统 | 第29-32页 |
| 2.2.2 相关外围电路及传感器模块 | 第32-37页 |
| 2.3 本章小结 | 第37-38页 |
| 第三章 无缆管道检测机器人控制系统软件设计 | 第38-56页 |
| 3.1 上、下位机控制系统总体方案设计 | 第38-39页 |
| 3.2 上位机软件设计 | 第39-40页 |
| 3.3 下位机控制系统设计 | 第40-53页 |
| 3.3.1 UCOSII操作系统的移植 | 第40-43页 |
| 3.3.2 基于UCOSII操作系统的任务划分 | 第43-44页 |
| 3.3.3 无线通信的程序设计 | 第44-47页 |
| 3.3.4 姿态传感器程序设计 | 第47-48页 |
| 3.3.5 湿温度传感器程序设计 | 第48-49页 |
| 3.3.6 电机及舵机控制程序的设计 | 第49-53页 |
| 3.4 上下位机通信协议的设计 | 第53-54页 |
| 3.5 无缆管道机器人控制系统实验 | 第54-55页 |
| 3.5.1 视频无线传输实验 | 第54页 |
| 3.5.2 机器人无线控制实验 | 第54-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第四章 管道缺陷自动检测与分类 | 第56-88页 |
| 4.1 图像预处理 | 第56-67页 |
| 4.1.1 图像预处理主要流程 | 第56-57页 |
| 4.1.2 图像增强 | 第57-58页 |
| 4.1.3 图像分割 | 第58-61页 |
| 4.1.4 数学形态学运算 | 第61-62页 |
| 4.1.5 边界跟踪 | 第62-63页 |
| 4.1.6 图像细化 | 第63-67页 |
| 4.2 图像特征提取 | 第67-70页 |
| 4.2.1 尺寸特征提取 | 第67-68页 |
| 4.2.2 形状特征提取 | 第68-69页 |
| 4.2.3 纹理特征提取 | 第69页 |
| 4.2.4 表面粗糙度特征提取 | 第69-70页 |
| 4.3 图像特征数据聚类分析 | 第70-73页 |
| 4.3.1 相关算法介绍 | 第70-71页 |
| 4.3.2 基于粒子群优化的K-means聚类算法 | 第71-73页 |
| 4.4 基于统计学的管道缺陷图片分类 | 第73-74页 |
| 4.4.1 基于距离测度的管道缺陷图片分类 | 第73页 |
| 4.4.2 基于支持向量机(SVM)的管道缺陷图片分类 | 第73-74页 |
| 4.5 基于神经网络的管道缺陷图片分类 | 第74页 |
| 4.6 实验与分析 | 第74-85页 |
| 4.6.1 图像特征提取 | 第74-78页 |
| 4.6.2 基于粒子群优化的K-means聚类算法实验 | 第78-79页 |
| 4.6.3 基于统计学距离测度分类算法实验 | 第79-82页 |
| 4.6.4 基于支持向量机的分类算法实验 | 第82-84页 |
| 4.6.5 基于神经网络的分类算法实验 | 第84-85页 |
| 4.7 基于QT和OPENCV的管道图像检测软件设计 | 第85-87页 |
| 4.8 本章小结 | 第87-88页 |
| 第五章 总结与展望 | 第88-90页 |
| 5.1 全文工作总结 | 第88-89页 |
| 5.2 今后工作展望 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 致谢 | 第94-95页 |
| 在学期间的研究成果及发表的学术论文 | 第95页 |
