| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 1 绪论 | 第9-12页 |
| ·课题研究的背景及价值 | 第9页 |
| ·钢材表面缺陷检测研究现状 | 第9-11页 |
| ·本课题研究的内容 | 第11-12页 |
| 2 钢材表面缺陷检测系统的设计 | 第12-18页 |
| ·系统检测的常见缺陷类型 | 第12-14页 |
| ·检测系统硬件选择应用 | 第14-16页 |
| ·照明系统安装设计 | 第14-15页 |
| ·CCD成像器件 | 第15-16页 |
| ·检测系统的软件设计 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 3 人工神经网络系统介绍 | 第18-29页 |
| ·神经网络的基本知识 | 第18-20页 |
| ·神经网络的学习方式 | 第20-21页 |
| ·有监督学习 | 第20页 |
| ·无监督学习 | 第20-21页 |
| ·神经网络的特点 | 第21-22页 |
| ·神经网络的学习规则 | 第22-23页 |
| ·BP神经网络系统 | 第23-28页 |
| ·BP神经网络系统的结构模型 | 第23-24页 |
| ·BP神经网络的学习与算法 | 第24-28页 |
| ·本章小结 | 第28-29页 |
| 4 BP神经网络模式识别方法在钢材表面缺陷检测中的应用 | 第29-48页 |
| ·模式识别基本原理 | 第29-31页 |
| ·模式识别基本概念 | 第29-30页 |
| ·模式识别方法 | 第30-31页 |
| ·BP神经网络模式识别方法在钢材表面缺陷检测的应用 | 第31-47页 |
| ·图像预处理 | 第31-37页 |
| ·图像滤波去噪 | 第32-36页 |
| ·图像的增强 | 第36-37页 |
| ·训练样本准备—样本图像分割处理 | 第37-38页 |
| ·样本图像的特征提取 | 第38-42页 |
| ·形态特征 | 第39-40页 |
| ·灰度特征 | 第40-41页 |
| ·纹理特征 | 第41-42页 |
| ·BP网络分类器训练 | 第42-45页 |
| ·钢材缺陷检测识别 | 第45-47页 |
| ·实验结果分析 | 第47页 |
| ·本章小结 | 第47-48页 |
| 5 基于BP神经网络的缺陷类别分类方法研究 | 第48-53页 |
| ·缺陷样本选择及特征值提取 | 第48页 |
| ·BP神经网络多类分类器设计 | 第48-50页 |
| ·BP网络分类器训练 | 第50-51页 |
| ·分类器测试及结果分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 6 总结 | 第53-54页 |
| ·工作总结 | 第53页 |
| ·研究展望 | 第53-54页 |
| 攻读学位期间获奖和发表论文情况 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-58页 |