基于机器视觉的表面缺陷检测方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 第2章 均匀纹理图像的缺陷检测方法 | 第12-23页 |
| 2.1 均匀纹理图像缺陷检测 | 第12-16页 |
| 2.1.1 子图像灰度差计算 | 第12-15页 |
| 2.1.2 灰度差的自适应阈值 | 第15-16页 |
| 2.2 实验结果与分析 | 第16-22页 |
| 2.2.1 检测界面 | 第16-17页 |
| 2.2.2 实验结果 | 第17-21页 |
| 2.2.3 子图像大小的影响 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于机器学习的缺陷检测方法 | 第23-33页 |
| 3.1 图像预处理 | 第23-25页 |
| 3.1.1 图像感兴趣区域的提取 | 第23-24页 |
| 3.1.2 图像去噪 | 第24-25页 |
| 3.2 Logistic回归模型检测缺陷 | 第25-28页 |
| 3.2.1 缺陷数向量提取 | 第25-26页 |
| 3.2.2 Logistic回归模型 | 第26-28页 |
| 3.3 实验结果与分析 | 第28-32页 |
| 3.3.1 检测界面 | 第28-29页 |
| 3.3.2 检测结果 | 第29-31页 |
| 3.3.3 训练样本数的影响 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于特征融合的缺陷检测方法 | 第33-52页 |
| 4.1 引言 | 第33-34页 |
| 4.2 子图像的平均灰度差检测缺陷 | 第34-36页 |
| 4.2.1 计算过程 | 第35页 |
| 4.2.2 学习过程 | 第35-36页 |
| 4.2.3 缺陷检测过程 | 第36页 |
| 4.3 图像的彩色直方图检测缺陷 | 第36-40页 |
| 4.3.1 引言 | 第36-37页 |
| 4.3.2 图像颜色一致性变换 | 第37-39页 |
| 4.3.3 原理与计算过程 | 第39页 |
| 4.3.4 学习与检测过程 | 第39-40页 |
| 4.4 像素间的均匀度检测缺陷 | 第40-43页 |
| 4.4.1 原理与计算过程 | 第40-41页 |
| 4.4.2 学习与检测过程 | 第41-43页 |
| 4.5 特征融合的缺陷检测 | 第43-44页 |
| 4.6 实验结果与分析 | 第44-51页 |
| 4.6.1 检测界面 | 第44页 |
| 4.6.2 单项特征检测结果 | 第44-46页 |
| 4.6.3 特征融合检测结果 | 第46-49页 |
| 4.6.4 训练与检测时间的影响因素 | 第49-50页 |
| 4.6.5 训练样本数的影响 | 第50-51页 |
| 4.7 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58页 |
