| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·课题意义 | 第7-8页 |
| ·表面缺陷检测系统的发展概况 | 第8-12页 |
| ·传统表面缺陷检测方法 | 第8-9页 |
| ·机器视觉表面缺陷检测方法 | 第9-11页 |
| ·表面缺陷检测系统的国内研究现状 | 第11-12页 |
| ·钢板表面缺陷检测技术的发展与展望 | 第12页 |
| ·本文要完成的工作 | 第12-15页 |
| 第二章 钢板表面缺陷分析 | 第15-19页 |
| ·钢板表面常见缺陷 | 第15-16页 |
| ·基于纹理特征的视觉检测方法概述 | 第16-17页 |
| ·纹理特征在钢板表面缺陷检测中的应用 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 钢板表面缺陷图像处理算法研究 | 第19-41页 |
| ·缺陷图像灰度化 | 第19-20页 |
| ·缺陷图像的增强 | 第20-29页 |
| ·空间域灰度修正 | 第21-24页 |
| ·空间域图像平滑 | 第24-27页 |
| ·缺陷图像锐化 | 第27-29页 |
| ·缺陷图像的分割 | 第29-39页 |
| ·基于边缘分割 | 第29-32页 |
| ·基于区域分割 | 第32-35页 |
| ·改进的Canny边缘检测 | 第35-39页 |
| ·本章小结 | 第39-41页 |
| 第四章 钢板表面缺陷特征参数提取 | 第41-59页 |
| ·缺陷特征的提取 | 第41-48页 |
| ·缺陷的灰度特征提取 | 第41-44页 |
| ·缺陷的不变矩特征提取 | 第44-46页 |
| ·缺陷的纹理特征提取 | 第46-48页 |
| ·缺陷特征的降维处理 | 第48-51页 |
| ·缺陷特征的选择规则 | 第49页 |
| ·基于主成分分析(PCA)的特征降维 | 第49-51页 |
| ·实验结果及分析 | 第51-57页 |
| ·本章小结 | 第57-59页 |
| 第五章 基于纹理特征的神经网络缺陷分类器设计与研究 | 第59-67页 |
| ·基于BP神经网络的钢板表面缺陷分类识别 | 第59-63页 |
| ·BP神经网络原理概述 | 第59-60页 |
| ·BP神经网络算法的学习过程 | 第60-62页 |
| ·BP算法的参数设置 | 第62-63页 |
| ·实验结果及分析 | 第63-65页 |
| ·本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| ·全文总结 | 第67页 |
| ·展望 | 第67-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 附录A | 第74页 |