| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题研究的背景 | 第12-13页 |
| 1.2 机器视觉的国内外研究现状 | 第13-16页 |
| 1.3 论文的研究内容及结构 | 第16-18页 |
| 第2章 基于SVM的通信设备工具板分类 | 第18-31页 |
| 2.1 通信设备部件分类概述 | 第18页 |
| 2.2 SIFT特征提取 | 第18-21页 |
| 2.3 Kmeans聚类算法 | 第21-23页 |
| 2.3.1 Kmeans聚类原理 | 第21-22页 |
| 2.3.2 生成样本图片的词频 | 第22-23页 |
| 2.4 SVM算法 | 第23-30页 |
| 2.4.1 统计学习理论 | 第24-25页 |
| 2.4.2 支持向量机原理 | 第25-26页 |
| 2.4.3 SVM参数设计及识别结果 | 第26-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 网口插拔状态识别 | 第31-41页 |
| 3.1 网口插拔状态识别概述 | 第31-32页 |
| 3.2 透视变换 | 第32-34页 |
| 3.2.1 最近邻法特征点匹配 | 第32-33页 |
| 3.2.2 RANSAC算法寻找最优变换矩阵 | 第33-34页 |
| 3.3 对网口作灰度直方图统计 | 第34-35页 |
| 3.4 采用BP算法识别网口状态 | 第35-39页 |
| 3.4.1 BP神经网络原理 | 第35-36页 |
| 3.4.2 BP神经网络设计 | 第36-39页 |
| 3.4.3 BP网络的预测结果及分析 | 第39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 已插网口插错故障识别 | 第41-50页 |
| 4.1 已插网口插错故障识别概述 | 第41-42页 |
| 4.2 字符图像的预处理 | 第42-44页 |
| 4.2.1 图像灰度化 | 第42-43页 |
| 4.2.2 图像二值化 | 第43-44页 |
| 4.3 字符分割 | 第44-46页 |
| 4.3.1 寻找字符图像的水平边界 | 第44-45页 |
| 4.3.2 寻找单个字母的垂直边界 | 第45-46页 |
| 4.4 提取字符特征 | 第46-47页 |
| 4.5 LVQ神经网络算法 | 第47-48页 |
| 4.6 本章小节 | 第48-50页 |
| 第5章 ISV3板对偶接口故障识别 | 第50-60页 |
| 5.1 ISV3板对偶接口故障识别概述 | 第50页 |
| 5.2 HOG结合SVM提取ISV3板区域 | 第50-51页 |
| 5.3 利用RGB颜色信息提取ISV3板的有效接口信息 | 第51-53页 |
| 5.3.1 RGB颜色模型 | 第51-52页 |
| 5.3.2 提取ISV3板的有效接口信息 | 第52-53页 |
| 5.4 利用图像处理基本算法识别4个接口的颜色 | 第53-57页 |
| 5.4.1 有效接口区域的二值化 | 第53页 |
| 5.4.2 对有效接口区域进行边缘检测 | 第53-57页 |
| 5.4.3 图像膨胀 | 第57页 |
| 5.5 识别并标记ISV3板的故障位置 | 第57-58页 |
| 5.6 本章小结 | 第58-60页 |
| 总结与展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士期间发表论文及成果 | 第67页 |