基于强化学习的铝合金表面涂层耐磨性检测系统的设计与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外现状 | 第14-18页 |
| 1.2.1 国内外研究现状以及发展趋势 | 第14-17页 |
| 1.2.2 强化学习 | 第17-18页 |
| 1.2.3 落砂检测系统目前存在的问题 | 第18页 |
| 1.3 本文的主要研究目标和研究内容 | 第18-19页 |
| 1.4 本文章节介绍 | 第19-20页 |
| 第二章 耐磨性检测系统总体设计 | 第20-33页 |
| 2.1 性能指标 | 第20-21页 |
| 2.2 耐磨性检测平台 | 第21-23页 |
| 2.3 耐磨性检测平台控制系统 | 第23-26页 |
| 2.3.1 PC与PLC的选型 | 第24页 |
| 2.3.2 控制系统的控制策略 | 第24-26页 |
| 2.4 耐磨性检测平台图像采集系统 | 第26-31页 |
| 2.4.1 工业相机的选取 | 第27-28页 |
| 2.4.2 光学镜头的选取 | 第28-29页 |
| 2.4.3 光源的选取及照明方案的设计 | 第29-31页 |
| 2.5 耐磨性检测平台的软件系统 | 第31-32页 |
| 2.5.1 VS2013和QT | 第31-32页 |
| 2.5.2 OPENCV | 第32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 黑点直径尺寸测量算法研究 | 第33-46页 |
| 3.1 相机标定技术 | 第33-40页 |
| 3.1.1 张正友标定法 | 第34-39页 |
| 3.1.2 相机标定实验 | 第39-40页 |
| 3.2 图像尺寸测量算法 | 第40-43页 |
| 3.2.1 图像预处理 | 第41页 |
| 3.2.2 特征边缘提取 | 第41-43页 |
| 3.3 图像尺寸算法整体实验 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于强化学习的智能控制策略 | 第46-59页 |
| 4.1 强化学习及其算法介绍 | 第46-51页 |
| 4.1.1 强化学习介绍 | 第46-48页 |
| 4.1.2 Q学习算法 | 第48-50页 |
| 4.1.3 模糊Q学习算法 | 第50-51页 |
| 4.2 解耦控制 | 第51-58页 |
| 4.2.1 模糊解耦方法 | 第51-52页 |
| 4.2.2 基于强化学习的模糊解耦控制设计 | 第52-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 实验结果与分析 | 第59-64页 |
| 5.1 算法模型结果 | 第59-60页 |
| 5.2 实验结果分析 | 第60-64页 |
| 总结与展望 | 第64-66页 |
| 总结 | 第64-65页 |
| 展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 在学期间学术成果情况 | 第71-73页 |
| 致谢 | 第73页 |
