干电池内缺陷检测方法研究及其算法优化
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第13-21页 |
1.1 课题研究背景及研究意义 | 第13-14页 |
1.2 表面缺陷视觉检测系统研究现状 | 第14-15页 |
1.3 图像识别算法优化研究现状 | 第15-18页 |
1.3.1 图像增强算法优化研究现状 | 第15-17页 |
1.3.2 图像分割算法优化研究现状 | 第17页 |
1.3.3 特征提取算法优化研究现状 | 第17-18页 |
1.3.4 模式识别算法优化研究现状 | 第18页 |
1.4 干电池缺陷检测研究现状 | 第18-19页 |
1.5 本文主要研究内容 | 第19-21页 |
第二章 实验装置搭建及缺陷检测方法设计 | 第21-28页 |
2.1 缺陷检测实验装置搭建 | 第21-24页 |
2.1.1 光源 | 第21-22页 |
2.1.2 摄像机 | 第22页 |
2.1.3 镜头 | 第22-23页 |
2.1.4 缺陷检测实验平台架构 | 第23-24页 |
2.2 缺陷检测方法设计 | 第24-27页 |
2.2.1 缺陷分析 | 第24-26页 |
2.2.2 缺陷检测方法设计 | 第26-27页 |
2.3 本章小结 | 第27-28页 |
第三章 缺陷图像增强 | 第28-38页 |
3.1 图像增强技术简介 | 第28页 |
3.2 缺陷图像全局对比度增强 | 第28-33页 |
3.2.1 直接灰度变换 | 第29-30页 |
3.2.2 直方图均衡化 | 第30-31页 |
3.2.3 缺陷图像全局对比度增强实验结果及分析 | 第31-33页 |
3.3 缺陷图像局部对比度增强 | 第33-37页 |
3.3.1 传统局部对比度增强算法 | 第33-34页 |
3.3.2 基于对数变换的图像局部增强算法 | 第34-35页 |
3.3.3 一种改进的局部对比度增强算法 | 第35页 |
3.3.4 缺陷图像局部对比度增强实验结果及分析 | 第35-37页 |
3.4 本章小结 | 第37-38页 |
第四章 缺陷图像分割及畸变校正 | 第38-50页 |
4.1 缺陷图像分割 | 第38-43页 |
4.1.1 传统模糊C-均值聚类算法原理 | 第38-39页 |
4.1.2 改进的模糊C-均值聚类算法 | 第39-41页 |
4.1.3 缺陷图像分割实验结果及对比分析 | 第41-43页 |
4.2 形态学处理目标提取 | 第43-44页 |
4.3 缺陷图像畸变校正 | 第44-49页 |
4.3.1 最小二乘法椭圆拟合方法 | 第44-45页 |
4.3.2 基于最大内切圆的椭圆拟合方法 | 第45-47页 |
4.3.3 椭圆拟合实验 | 第47页 |
4.3.4 缺陷图像畸变校正算法及效果 | 第47-49页 |
4.4 本章小结 | 第49-50页 |
第五章 特征提取与优化及缺陷识别 | 第50-58页 |
5.1 缺陷特征提取与优化 | 第50-52页 |
5.1.1 缺陷特征提取 | 第50-51页 |
5.1.2 缺陷特征选择与优化 | 第51-52页 |
5.2 模式识别基本方法简介 | 第52-53页 |
5.3 BP神经网络 | 第53-56页 |
5.3.1 人工神经网络简介 | 第53页 |
5.3.2 BP神经网络结构及特点 | 第53-54页 |
5.3.3 BP神经网络的学习算法 | 第54-56页 |
5.4 缺陷检测实验 | 第56-57页 |
5.5 本章小结 | 第57-58页 |
第六章 基于红外图像的干电池内缺陷检测 | 第58-69页 |
6.1 干电池红外图像采集及分析 | 第58-59页 |
6.2 红外图像缺陷检测软件系统总流程设计 | 第59-61页 |
6.3 第一类缺陷检测 | 第61-64页 |
6.3.1 第一类缺陷检测软件流程设计 | 第61-62页 |
6.3.2 第一类缺陷图像处理及缺陷判断准则 | 第62-64页 |
6.4 第二类缺陷检测 | 第64-67页 |
6.4.1 第二类缺陷检测软件流程设计 | 第64页 |
6.4.2 第二类缺陷图像处理及缺陷识别方法 | 第64-67页 |
6.5 干电池红外图像缺陷检测实验 | 第67-68页 |
6.6 干电池红外图像与普通图像缺陷检测分析比较 | 第68页 |
6.7 本章小结 | 第68-69页 |
总结与展望 | 第69-71页 |
总结 | 第69-70页 |
展望 | 第70-71页 |
参考文献 | 第71-76页 |
攻读硕士学位期间发表的论文 | 第76-78页 |
致谢 | 第78页 |