| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第14-28页 |
| 1.1 课题背景和研究意义 | 第14-15页 |
| 1.2 传统的焊缝质量检测技术的研究现状 | 第15-18页 |
| 1.2.1 基于超声波的焊缝质量检测 | 第16页 |
| 1.2.2 基于红外辐射的焊缝质量检测 | 第16-17页 |
| 1.2.3 基于X射线的焊缝质量检测 | 第17-18页 |
| 1.3 基于机器视觉的焊缝质量检测研究现状 | 第18-22页 |
| 1.3.1 焊缝成形尺寸测量研究现状 | 第18-21页 |
| 1.3.2 焊缝表面缺陷检测研究现状 | 第21-22页 |
| 1.4 焊缝缺陷识别研究现状 | 第22-24页 |
| 1.5 本文研究目标、主要研究内容和难点 | 第24-25页 |
| 1.5.1 研究目标 | 第24页 |
| 1.5.2 主要研究内容 | 第24-25页 |
| 1.5.3 重点和难点 | 第25页 |
| 1.6 本文结构介绍 | 第25-28页 |
| 第2章 焊缝质量检测系统的总体结构 | 第28-42页 |
| 2.1 引言 | 第28页 |
| 2.2 视觉检测系统的设计 | 第28-31页 |
| 2.2.1 视觉系统的硬件平台 | 第29-31页 |
| 2.2.2 视觉系统的软件平台 | 第31页 |
| 2.3 视觉系统的标定 | 第31-41页 |
| 2.3.1 相关坐标系 | 第32-34页 |
| 2.3.2 摄像机模型 | 第34-35页 |
| 2.3.3 摄像机的标定 | 第35-36页 |
| 2.3.4 结构光的标定 | 第36-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第3章 基于结构光的焊缝成形几何尺寸测量技术研究 | 第42-78页 |
| 3.1 引言 | 第42-43页 |
| 3.2 相关工作介绍 | 第43-50页 |
| 3.2.1 结构光中心线提取 | 第43-46页 |
| 3.2.2 结构光特征点提取 | 第46-50页 |
| 3.3 本文焊缝成形尺寸测量系统 | 第50-70页 |
| 3.3.1 视觉测量平台搭建 | 第50-52页 |
| 3.3.2 图像预处理 | 第52-57页 |
| 3.3.3 本文改进的结构光中心线算法 | 第57-64页 |
| 3.3.4 本文改进的特征点提取算法 | 第64-70页 |
| 3.4 焊缝几何尺寸的定义 | 第70-72页 |
| 3.5 测量结果与分析 | 第72-75页 |
| 3.5.1 测量结果 | 第72-74页 |
| 3.5.2 测量结果对比分析 | 第74-75页 |
| 3.6 本章小结 | 第75-78页 |
| 第4章 基于被动视觉的管板焊缝缺陷检测 | 第78-102页 |
| 4.1 引言 | 第78-79页 |
| 4.2 管子管板焊接及表面缺陷 | 第79-84页 |
| 4.2.1 管子管板焊接 | 第79-81页 |
| 4.2.2 典型的管子管板焊缝缺陷 | 第81-84页 |
| 4.3 基于改进的二维最大Renyi熵分割算法 | 第84-93页 |
| 4.3.1 相关工作介绍 | 第84-89页 |
| 4.3.2 基于灰度-梯度激励强度共生矩阵的Renyi熵分割算法 | 第89-93页 |
| 4.4 图像分割与分析 | 第93-101页 |
| 4.4.1 定量分析 | 第93-94页 |
| 4.4.2 焊缝图像的分割 | 第94-101页 |
| 4.5 本章小结 | 第101-102页 |
| 第5章 基于二叉树SVM算法的焊缝表面缺陷识别研究 | 第102-132页 |
| 5.1 引言 | 第102-103页 |
| 5.2 相关工作介绍 | 第103页 |
| 5.2.1 神经网络在焊缝缺陷中的应用 | 第103页 |
| 5.2.2 现有缺陷分类算法存在的问题 | 第103页 |
| 5.3 表面缺陷特征提取和计算 | 第103-108页 |
| 5.3.1 几何特征提取 | 第104-106页 |
| 5.3.2 形状特征提取 | 第106-107页 |
| 5.3.3 本文特有的一个特征 | 第107-108页 |
| 5.3.4 特征参数选择 | 第108页 |
| 5.3.5 特征参数计算 | 第108页 |
| 5.4 现有算法对焊缝缺陷的分类 | 第108-116页 |
| 5.4.1 基于决策树的缺陷自动识别算法 | 第109-111页 |
| 5.4.2 基于BP神经网络的缺陷自动识别算法 | 第111-115页 |
| 5.4.3 基于多分类器集成的缺陷自动识别算法 | 第115-116页 |
| 5.5 基于二叉树支持向量机的缺陷自动分类算法 | 第116-128页 |
| 5.5.1 支持向量机理论基础 | 第116-119页 |
| 5.5.2 支持向量机的分类算法 | 第119-120页 |
| 5.5.3 二叉树支持向量机的分类原理 | 第120-121页 |
| 5.5.4 基于二叉树支持向量机的焊缝缺陷分类模型 | 第121-122页 |
| 5.5.5 基于蝙蝠算法的SVM参数优化 | 第122-128页 |
| 5.6 实验结果与分析 | 第128-130页 |
| 5.7 本章小结 | 第130-132页 |
| 第6章 基于深度学习的焊缝表面缺陷识别算法研究 | 第132-152页 |
| 6.1 引言 | 第132页 |
| 6.2 卷积神经网络的应用概况 | 第132-134页 |
| 6.3 基于LeNet-5 网络改进的焊缝表面缺陷识别网络 | 第134-137页 |
| 6.3.1 输入层的改进 | 第134-135页 |
| 6.3.2 激励函数的改进 | 第135页 |
| 6.3.3 子采样层的改进 | 第135页 |
| 6.3.4 网络结构的改进 | 第135-136页 |
| 6.3.5 输出层的改进 | 第136-137页 |
| 6.4 基于Caffe框架训练焊缝表面缺陷分类网络 | 第137-148页 |
| 6.4.1 焊缝缺陷数据库Welding Defect Dataset | 第137-139页 |
| 6.4.2 焊缝表面缺陷数据库的扩展 | 第139-141页 |
| 6.4.3 模型训练 | 第141-143页 |
| 6.4.4 实验结果对比 | 第143-148页 |
| 6.5 与二叉树SVM算法的对比 | 第148-149页 |
| 6.6 本章小结 | 第149-152页 |
| 结论 | 第152-154页 |
| 参考文献 | 第154-166页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第166-168页 |
| 致谢 | 第168页 |
