| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 课题来源 | 第12页 |
| 1.2 研究背景与意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-17页 |
| 1.3.1 复杂非线性动态多变制造环境对智能机器的需求 | 第13-14页 |
| 1.3.2 智能机器对自主感知、认识与决策能力的要求 | 第14-15页 |
| 1.3.3 基于多传感器多物理域信息融合的感知方法研究与应用 | 第15-16页 |
| 1.3.4 基于机器视觉的智能机器感知方法研究与发展 | 第16页 |
| 1.3.5 仿生感知理论方法研究及其应用 | 第16-17页 |
| 1.3.6 人眼视觉认知科学的发展对智能机器仿生感知的启示 | 第17页 |
| 1.4 拟解决主要问题 | 第17-18页 |
| 1.5 主要研究内容及目标 | 第18-19页 |
| 1.5.1 研究目标 | 第18页 |
| 1.5.2 主要内容 | 第18-19页 |
| 1.6 主要特色及创新 | 第19页 |
| 1.7 论文结构 | 第19-21页 |
| 第2章 基于人眼视觉认知神经机制的仿生感知建模与描述 | 第21-37页 |
| 2.1 概述 | 第21页 |
| 2.2 人眼视觉的认知神经机制 | 第21-27页 |
| 2.2.1 人类视觉系统及生理结构 | 第21-22页 |
| 2.2.2 人眼视知觉形成机制 | 第22-24页 |
| 2.2.3 人眼视觉信息的选择处理与注意力机制 | 第24页 |
| 2.2.4 人眼视觉信息的注意模型 | 第24-26页 |
| 2.2.5 人眼视觉认知神经机制的理论分析 | 第26页 |
| 2.2.6 人眼视觉认知神经机制给予我们的启示意义 | 第26-27页 |
| 2.3 智能机器感知模型及方法 | 第27-30页 |
| 2.3.1 智能机器的定义与一般结构 | 第27-28页 |
| 2.3.2 智能机器对感知能力的要求 | 第28页 |
| 2.3.3 基于认知科学的智能机器感知模型 | 第28-29页 |
| 2.3.4 基于机器视觉和基于非机器视觉感知方法的比较分析 | 第29-30页 |
| 2.3.5 传统机器视觉感知方法的局限性 | 第30页 |
| 2.4 基于人眼视觉特性的仿生感知原理及模型 | 第30-34页 |
| 2.4.1 仿生感知的基本原理及一般模型 | 第30-31页 |
| 2.4.2 仿生感知的生物学与认知科学基础 | 第31页 |
| 2.4.3 仿生感知对于智能机器感知与智能的作用 | 第31-32页 |
| 2.4.4 基于人眼视觉系统的仿生感知模型 | 第32-33页 |
| 2.4.5 基于人眼视觉注意机制的仿生感知模型 | 第33-34页 |
| 2.5 基于机器视觉的人眼视觉仿生感知解决方案 | 第34-36页 |
| 2.5.1 基本原理 | 第34页 |
| 2.5.2 处理过程 | 第34-35页 |
| 2.5.3 感知形成 | 第35-36页 |
| 2.5.4 系统组成 | 第36页 |
| 2.6 本章小结 | 第36-37页 |
| 第3章 人眼视觉注意力驱动的最优质量图像获取方法研究 | 第37-56页 |
| 3.1 概述 | 第37页 |
| 3.2 基本原理与思路 | 第37页 |
| 3.3 基于人眼目标选择注意力驱动的图像获取一般过程及方法 | 第37-38页 |
| 3.4 图像质量评价体系及评价方法 | 第38-51页 |
| 3.4.1 图像质量及其主要影响因素分析 | 第38-41页 |
| 3.4.2 评价体系构建及评价指标量化方法 | 第41-44页 |
| 3.4.3 基于Siamese网络的有参考评价方法(IQA-FR) | 第44-46页 |
| 3.4.4 基于卷积神经网络的无参考评价方法(IQA-NR) | 第46-47页 |
| 3.4.5 仿真与结果分析 | 第47-51页 |
| 3.5 基于粒子群算法的最佳质量图像成像优化方法 | 第51-55页 |
| 3.5.1 图像质量优化问题 | 第51页 |
| 3.5.2 主要优化参数及数学模型 | 第51-53页 |
| 3.5.3 基于粒子群算法的最佳质量图像优化求解 | 第53-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第4章 基于人眼视觉选择注意力集中机制的图像处理方法研究 | 第56-76页 |
| 4.1 概述 | 第56页 |
| 4.2 人眼视觉选择注意力集中机制对于机器视觉仿生感知的作用 | 第56页 |
| 4.3 基本原理与思路 | 第56-57页 |
| 4.4 人眼视觉选择注意力下的视觉显著性分析 | 第57-60页 |
| 4.4.1 视觉显著性及其生物与认知特性分析 | 第57-58页 |
| 4.4.2 视觉显著区域的划分 | 第58页 |
| 4.4.3 视觉显著区域的度量 | 第58-59页 |
| 4.4.4 视觉显著区域的选择 | 第59-60页 |
| 4.5 基于自底向上视觉选择性注意机制的图像处理方法研究 | 第60-68页 |
| 4.5.1 传统图像处理方法的局限性 | 第60页 |
| 4.5.2 自底向上视觉选择性注意机制及其特性 | 第60-61页 |
| 4.5.3 自底向上视觉注意模型 | 第61-62页 |
| 4.5.4 自底向上视觉选择性注意机制显著区域的选择及显示 | 第62页 |
| 4.5.5 基于二维Garbor滤波器的显著图像处理方法 | 第62-64页 |
| 4.5.6 图像初级特征提取及其处理方法 | 第64-65页 |
| 4.5.7 基于数据驱动的多显著特征融合方法 | 第65-67页 |
| 4.5.8 仿真与分析 | 第67-68页 |
| 4.6 基于自顶向下视觉选择性注意机制的图像处理方法研究 | 第68-75页 |
| 4.6.1 自顶向下视觉显著性 | 第68-69页 |
| 4.6.2 自顶向下视觉选择性注意机制及其特性 | 第69页 |
| 4.6.3 基于人眼眼球运动特性的视觉注意力机制 | 第69-71页 |
| 4.6.4 基于支持向量机训练的视觉注意模型 | 第71-72页 |
| 4.6.5 仿人眼自顶向下视觉注意模型 | 第72-73页 |
| 4.6.6 自顶向下视觉注意机制下图像显著特征选择 | 第73-74页 |
| 4.6.7 仿真试验及结果分析 | 第74-75页 |
| 4.7 本章小结 | 第75-76页 |
| 第5章 基于目标任务驱动和注意力机制的视觉仿生感知方法研究 | 第76-83页 |
| 5.1 概述 | 第76页 |
| 5.2 目标任务驱动下的人眼选择注意力集中机制及模型 | 第76页 |
| 5.3 基于人眼选择注意力集中机制和机器视觉仿生感知原理及模型. | 第76-78页 |
| 5.4 基于迁移学习的目标任务驱动下人眼视觉仿生感知方法 | 第78-82页 |
| 5.4.1 算法原理 | 第78页 |
| 5.4.2 基于迁移学习的识别方法 | 第78-79页 |
| 5.4.3 算法设计及过程 | 第79-81页 |
| 5.4.4 仿真与分析 | 第81-82页 |
| 5.5 本章小结 | 第82-83页 |
| 第6章 基于人眼视觉注意集中机制和机器视觉的仿生感知模拟实验系统研发及试验研究 | 第83-99页 |
| 6.1 概述 | 第83页 |
| 6.2 模拟实验系统功能与性能设计 | 第83-85页 |
| 6.2.1 系统目标 | 第83页 |
| 6.2.2 系统功能设计 | 第83-84页 |
| 6.2.3 系统性能指标 | 第84-85页 |
| 6.3 系统组成与体系结构设计 | 第85-88页 |
| 6.3.1 体系结构设计 | 第85页 |
| 6.3.2 硬件结构设计 | 第85-87页 |
| 6.3.3 软件结构设计 | 第87-88页 |
| 6.3.4 系统操作使用及运行流程 | 第88页 |
| 6.4 实验系统研发实验测试及结果分析 | 第88-93页 |
| 6.4.1 硬件搭建及图像化人机交互界面 | 第88-89页 |
| 6.4.2 各子系统整体运行性能和试验及结果分析 | 第89-93页 |
| 6.5 在带钢中的应用 | 第93-97页 |
| 6.5.1 常见带钢缺陷检测方法的意义比较分析 | 第93-94页 |
| 6.5.2 基于传统机器视觉的带钢缺陷检测方法的局限性 | 第94-95页 |
| 6.5.3 基于人眼机器视觉仿生感知的带钢缺陷检测方法 | 第95-96页 |
| 6.5.4 仿真与分析 | 第96-97页 |
| 6.6 本章小结 | 第97-99页 |
| 第7章 总结与展望 | 第99-102页 |
| 7.1 全文总结 | 第99-100页 |
| 7.2 展望 | 第100-102页 |
| 参考文献 | 第102-108页 |
| 致谢 | 第108-109页 |
| 攻读硕士学位期间的研究成果 | 第109页 |
