| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究的背景 | 第11页 |
| 1.2 课题的目的及意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-13页 |
| 1.4 论文主要研究内容及结构安排 | 第13-15页 |
| 第2章 冷轧铝板表面缺陷图像预处理 | 第15-25页 |
| 2.1 冷轧铝板表面缺陷类型 | 第15-17页 |
| 2.2 图像减背景处理 | 第17-18页 |
| 2.3 图像滤波处理 | 第18-24页 |
| 2.3.1 均值滤波 | 第19-20页 |
| 2.3.2 中值滤波 | 第20-21页 |
| 2.3.3 高斯滤波 | 第21-23页 |
| 2.3.4 实验结果分析 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 冷轧铝板表面缺陷图像的分割 | 第25-45页 |
| 3.1 边缘检测 | 第25-29页 |
| 3.1.1 梯度算子 | 第25-27页 |
| 3.1.2 高斯-拉普拉斯算子 | 第27-28页 |
| 3.1.3 Canny边缘检测算子 | 第28-29页 |
| 3.2 阈值分割 | 第29-33页 |
| 3.2.1 实验法 | 第30页 |
| 3.2.2 根据直方图谷底确定阈值 | 第30页 |
| 3.2.3 迭代选择阈值法 | 第30页 |
| 3.2.4 最小均方误差法 | 第30-31页 |
| 3.2.5 自适应阈值法 | 第31-33页 |
| 3.3 实验结果与分析 | 第33-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第4章 冷轧铝板表面缺陷图像的特征提取 | 第45-59页 |
| 4.1 特征提取的意义和评价标准 | 第45-47页 |
| 4.1.1 特征提取的意义 | 第45-46页 |
| 4.1.2 特征提取的评价标准 | 第46-47页 |
| 4.2 缺陷图像的特征提取 | 第47-55页 |
| 4.2.1 几何特征 | 第47-48页 |
| 4.2.2 形状特征 | 第48-53页 |
| 4.2.3 灰度特征 | 第53-55页 |
| 4.3 特征归一化 | 第55-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第5章 分类算法的研究及在冷轧铝板表面缺陷图像分类中的实现 | 第59-87页 |
| 5.1 支持向量机 | 第59-72页 |
| 5.1.1 统计学习理论介绍 | 第59-60页 |
| 5.1.2 支持向量机分类原理 | 第60-66页 |
| 5.1.3 支持向量机核函数 | 第66-67页 |
| 5.1.4 支持向量机的多分类策略 | 第67-70页 |
| 5.1.5 支持向量机分类模型对冷轧铝板表面缺陷图像的分类 | 第70-72页 |
| 5.2 BP神经网络 | 第72-80页 |
| 5.2.1 BP神经网络的基本原理 | 第72-74页 |
| 5.2.2 BP神经网络的激活函数 | 第74-76页 |
| 5.2.3 BP神经网络的主要能力 | 第76-77页 |
| 5.2.4 BP神经网络分类模型的设计 | 第77-79页 |
| 5.2.5 BP神经网络分类模型对冷轧铝板表面缺陷图像的分类 | 第79-80页 |
| 5.3 支持向量机与BP神经网络相结合的分类模型 | 第80-85页 |
| 5.3.1 支持向量机与BP神经网络相结合模型理论支持 | 第80-81页 |
| 5.3.2 支持向量机与BP神经网络相结合模型在冷轧铝板表面缺陷图像分类中的实现 | 第81-85页 |
| 5.4 本章小结 | 第85-87页 |
| 第6章 总结与展望 | 第87-89页 |
| 参考文献 | 第89-93页 |
| 致谢 | 第93-95页 |
| 在学期间主要科研成果 | 第95页 |
