中文摘要 | 第3-4页 |
英文摘要 | 第4-5页 |
1 绪论 | 第8-13页 |
1.1 课题的研究背景 | 第8-9页 |
1.2 国内外钢板表面缺陷检测技术研究现状 | 第9-11页 |
1.2.1 国外研究现状 | 第9-10页 |
1.2.2 国内研究现状 | 第10-11页 |
1.3 论文研究的主要内容 | 第11-13页 |
2 冷态热轧钢板表面缺陷检测系统总体设计 | 第13-27页 |
2.1 冷态热轧钢板的典型表面缺陷成因分析 | 第13-15页 |
2.2 系统的性能需求分析 | 第15页 |
2.3 系统的硬件架构设计 | 第15-24页 |
2.3.1 系统整体结构设计 | 第15-17页 |
2.3.2 相机与镜头选型方案设计 | 第17-21页 |
2.3.3 照明系统的设计 | 第21-24页 |
2.4 系统软件结构设计 | 第24-25页 |
2.5 本章小结 | 第25-27页 |
3 钢板表面图像预处理技术研究 | 第27-45页 |
3.1 钢板表面图像边界检测 | 第27-34页 |
3.1.1 基于边缘检测算子的钢板边界搜索方法 | 第27-29页 |
3.1.2 简易边界提取方法 | 第29-31页 |
3.1.3 钢板图像边界快速搜索算法 | 第31-34页 |
3.2 钢板表面图像增强 | 第34-44页 |
3.2.1 光照不均钢板图像的灰度校正 | 第35-41页 |
3.2.2 钢板表面图像去噪 | 第41-44页 |
3.3 本章小结 | 第44-45页 |
4 钢板表面缺陷图像特征提取 | 第45-57页 |
4.1 钢板表面缺陷图像提取 | 第45-49页 |
4.1.1 区域检测法 | 第45-46页 |
4.1.2 投影法 | 第46页 |
4.1.3 基于投影原理的缺陷提取改进方法 | 第46-49页 |
4.2 钢板表面缺陷图像典型特征提取 | 第49-56页 |
4.2.1 几何形状特征提取 | 第49-51页 |
4.2.2 灰度特征提取 | 第51-52页 |
4.2.3 纹理特征提取 | 第52页 |
4.2.4 钢板表面缺陷特征提取实验 | 第52-56页 |
4.3 本章小结 | 第56-57页 |
5 RBF神经网络钢板表面缺陷识别 | 第57-64页 |
5.1 人工神经网络模型简介 | 第57-58页 |
5.2 RBF神经网络算法原理 | 第58-60页 |
5.3 RBF神经网络的缺陷识别 | 第60-63页 |
5.3.1 基于RBF神经网络的钢板表面缺陷分类器设计 | 第60-61页 |
5.3.2 钢板表面缺陷识别实验及分析 | 第61-63页 |
5.4 本章小结 | 第63-64页 |
6 总结与展望 | 第64-66页 |
6.1 总结 | 第64-65页 |
6.2 展望 | 第65-66页 |
致谢 | 第66-67页 |
参考文献 | 第67-70页 |
附录 | 第70页 |