冷轧带钢表面缺陷机器视觉自动检测技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-13页 |
| 第1章 绪论 | 第13-32页 |
| ·课题来源及选题意义 | 第13-15页 |
| ·课题来源 | 第13页 |
| ·课题研究目的及意义 | 第13-15页 |
| ·带钢表面质量检测技术的综述 | 第15-22页 |
| ·传统的表面质量检测方法 | 第15-16页 |
| ·基于机器视觉的带钢表面质量检测技术 | 第16-21页 |
| ·国内在该领域的研究 | 第21-22页 |
| ·机器视觉带钢表面缺陷检测系统的难点与发展 | 第22-24页 |
| ·检测系统的难点分析 | 第22-23页 |
| ·检测系统的发展 | 第23-24页 |
| ·带钢表面缺陷图像处理和识别技术的发展概况 | 第24-31页 |
| ·图像分割技术 | 第25-27页 |
| ·图像特征提取和选择技术 | 第27-29页 |
| ·模式识别技术 | 第29-31页 |
| ·本文的主要研究内容 | 第31-32页 |
| 第2章 带钢表面缺陷自动检测系统设计 | 第32-48页 |
| ·引言 | 第32页 |
| ·系统的功能和性能分析 | 第32-34页 |
| ·系统的功能分析 | 第32-33页 |
| ·系统的性能指标 | 第33-34页 |
| ·系统方案设计 | 第34-36页 |
| ·系统硬件结构设计 | 第36-43页 |
| ·图像采集模块 | 第36-42页 |
| ·图像处理计算机和服务器系统 | 第42-43页 |
| ·系统工作流程 | 第43-47页 |
| ·图像处理计算机模块 | 第43-45页 |
| ·系统服务器模块 | 第45-46页 |
| ·监测控制终端 | 第46-47页 |
| ·小结 | 第47-48页 |
| 第3章 带钢表面缺陷图像处理技术研究 | 第48-66页 |
| ·引言 | 第48页 |
| ·带钢表面图像检测过程 | 第48-49页 |
| ·带钢表面图像预处理 | 第49-55页 |
| ·图像灰度补偿 | 第50-52页 |
| ·图像平滑滤波 | 第52-55页 |
| ·快速目标检测 | 第55-59页 |
| ·带钢边界检测 | 第56-57页 |
| ·梯度运算 | 第57-58页 |
| ·异常点检测 | 第58-59页 |
| ·带钢表面缺陷分割定位 | 第59-65页 |
| ·数学形态学滤波 | 第60-61页 |
| ·二值图像聚类分析方法 | 第61-62页 |
| ·ROI 图像分割方法 | 第62-65页 |
| ·小结 | 第65-66页 |
| 第4章 带钢表面缺陷图像特征提取和选择技术研究 | 第66-89页 |
| ·引言 | 第66页 |
| ·图像特征提取 | 第66-75页 |
| ·灰度特征 | 第68-69页 |
| ·几何形状特征 | 第69-72页 |
| ·投影特征 | 第72-73页 |
| ·纹理特征 | 第73-75页 |
| ·图像特征选择 | 第75-79页 |
| ·特征选择的作用 | 第75-76页 |
| ·带钢表面缺陷图像特征选择 | 第76-79页 |
| ·特征选择方法测试 | 第79-88页 |
| ·ReliefF 算法测试 | 第79-84页 |
| ·相关性分析测试 | 第84-88页 |
| ·小结 | 第88-89页 |
| 第5章 带钢表面缺陷多分类器组合识别技术研究 | 第89-114页 |
| ·引言 | 第89页 |
| ·多分类器组合技术 | 第89-92页 |
| ·多分类器组合有效性分析 | 第89-90页 |
| ·多分类器的组合方法 | 第90-92页 |
| ·带钢表面缺陷识别多分类器组合技术 | 第92-107页 |
| ·Boosting 多分类器组合算法 | 第92-98页 |
| ·决策树分类技术 | 第98-103页 |
| ·多分类器组合模型 | 第103-107页 |
| ·组合分类器测试 | 第107-112页 |
| ·带钢表面缺陷数据 | 第107-108页 |
| ·实验测试 | 第108-112页 |
| ·小结 | 第112-114页 |
| 结论 | 第114-116页 |
| 参考文献 | 第116-126页 |
| 附录 | 第126-134页 |
| 攻读博士学位期间发表的论文及其它成果 | 第134-136页 |
| 致谢 | 第136-137页 |
| 个人简历 | 第137页 |
