基于机器视觉的热轧钢板表面缺陷检测系统关键技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 钢板表面检测技术国内外研究现状 | 第12-15页 |
| 1.2.1 表面检测技术的发展 | 第12-13页 |
| 1.2.2 国外研究现状 | 第13-15页 |
| 1.2.3 国内研究现状 | 第15页 |
| 1.3 课题研究难点 | 第15-16页 |
| 1.4 本文主要研究内容 | 第16-19页 |
| 第2章 钢板表面缺陷检测系统 | 第19-27页 |
| 2.1 热轧钢板表面常见缺陷类型 | 第19-22页 |
| 2.2 检测系统原理 | 第22-25页 |
| 2.2.1 系统检测原理 | 第22页 |
| 2.2.2 系统硬件架构 | 第22-23页 |
| 2.2.3 系统软件流程 | 第23-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第3章 钢板表面图像预处理及缺陷分割 | 第27-39页 |
| 3.1 图像预处理 | 第27-30页 |
| 3.1.1 图像灰度修正 | 第27-28页 |
| 3.1.2 图像滤波去噪 | 第28-30页 |
| 3.2 图像分割 | 第30-38页 |
| 3.2.1 经典边缘检测算子 | 第30-33页 |
| 3.2.2 基于梯度阀值分割的边缘检测方法 | 第33-34页 |
| 3.2.3 基于自适应阀值的小波边缘检测新方法 | 第34-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 钢板表面缺陷特征提取与选择 | 第39-49页 |
| 4.1 钢板表面缺陷特征 | 第39-44页 |
| 4.1.1 形态特征 | 第39-41页 |
| 4.1.2 灰度特征 | 第41-42页 |
| 4.1.3 纹理特征 | 第42-44页 |
| 4.2 缺陷特征选择 | 第44-48页 |
| 4.2.1 Fisher判别准则 | 第45-47页 |
| 4.2.2 主成分分析 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第5章 钢板表面缺陷分类识别 | 第49-69页 |
| 5.1 基于BP神经网络的分类器 | 第49-51页 |
| 5.2 基于支持向量机的分类器 | 第51-59页 |
| 5.2.1 线性可分 | 第51-53页 |
| 5.2.2 线性不可分 | 第53-54页 |
| 5.2.3 非线性情况 | 第54-56页 |
| 5.2.4 SVM多分类算法 | 第56-58页 |
| 5.2.5 实验结果及分析 | 第58-59页 |
| 5.3 基于二叉树SVM的分类器 | 第59-68页 |
| 5.3.1 常用的二叉树生成方法 | 第60-61页 |
| 5.3.2 基于类间距离的二叉树分类方法 | 第61-62页 |
| 5.3.3 基于超球体半径的二叉树分类方法 | 第62-64页 |
| 5.3.4 基于模糊相关度的二叉树分类新方法 | 第64-67页 |
| 5.3.5 实验结果及分析 | 第67-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第6章 钢板表面缺陷检测系统软件设计 | 第69-77页 |
| 6.1 钢板表面检测系统软件流程 | 第69页 |
| 6.2 系统开发方法 | 第69-70页 |
| 6.3 软件系统功能 | 第70-75页 |
| 6.3.1 系统主界面 | 第70-72页 |
| 6.3.2 图像预处理 | 第72-73页 |
| 6.3.3 图像分割及定位 | 第73-74页 |
| 6.3.4 特征提取及分类 | 第74-75页 |
| 6.4 本章小结 | 第75-77页 |
| 第七章 结论与展望 | 第77-79页 |
| 7.1 结论 | 第77页 |
| 7.2 展望 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85-87页 |
| 攻读硕士学位期间发表的论文 | 第87-89页 |
| 附录 | 第89-91页 |
