基于X射线图像的汽车轮毂缺陷自动检测与识别技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-17页 |
| ·引言 | 第10页 |
| ·课题的来源及意义 | 第10-12页 |
| ·课题的来源 | 第10-11页 |
| ·课题研究的背景及意义 | 第11-12页 |
| ·数字图像处理和模式识别技术 | 第12-14页 |
| ·数字图像处理技术 | 第12-13页 |
| ·模式识别技术 | 第13-14页 |
| ·国内外关于本课题的研究现状 | 第14-15页 |
| ·论文结构及内容安排 | 第15-17页 |
| 第二章 轮毂 X 射线图像预处理和图像分割 | 第17-28页 |
| ·引言 | 第17页 |
| ·系统简介 | 第17-18页 |
| ·图像预处理 | 第18-22页 |
| ·图像噪声来源 | 第18-20页 |
| ·图像噪声去除 | 第20-22页 |
| ·轮毂图像分割算法 | 第22-27页 |
| ·轮毂图像动态阈值分割 | 第22-24页 |
| ·轮毂二值图像数学形态学处理 | 第24-26页 |
| ·轮毂图像分割算法的改进 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 轮毂缺陷的特征选择与提取 | 第28-49页 |
| ·引言 | 第28页 |
| ·轮毂铸件工艺介绍 | 第28-30页 |
| ·常见的轮毂缺陷类别分析 | 第30-34页 |
| ·缺陷特征分析 | 第34-37页 |
| ·特征提取方法选择 | 第34-35页 |
| ·几何形状与灰度特征 | 第35-37页 |
| ·缺陷识别的特征选择 | 第37-41页 |
| ·特征选择的依据 | 第37-40页 |
| ·缺陷特征选择 | 第40-41页 |
| ·实验数据 | 第41-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 基于神经网络的轮毂缺陷识别 | 第49-62页 |
| ·引言 | 第49页 |
| ·神经网络简介 | 第49-52页 |
| ·人工神经元 | 第49-52页 |
| ·人工神经网络在识别中的优势 | 第52页 |
| ·BP 神经网络算法 | 第52-58页 |
| ·BP 神经网络训练 | 第53页 |
| ·BP 神经网络的学习过程 | 第53-57页 |
| ·BP 网络学习算法的改进 | 第57-58页 |
| ·BP 神经网络的分类器设计 | 第58-59页 |
| ·实验结果 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 系统的实现和实验结果 | 第62-69页 |
| ·引言 | 第62页 |
| ·系统功能实现 | 第62-65页 |
| ·实验结果验证 | 第65-68页 |
| ·本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| ·研究工作总结 | 第69页 |
| ·工作展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士期间发表的论文及项目经验 | 第75-76页 |
| 致谢 | 第76页 |
