基于机器视觉的圆形线材表面缺陷图像识别研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 主要符号说明 | 第7-8页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题来源、背景及意义 | 第8-9页 |
| 1.1.1 课题来源 | 第8页 |
| 1.1.2 课题背景 | 第8-9页 |
| 1.1.3 课题意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 机器视觉 | 第9-11页 |
| 1.2.2 机器视觉国外发展历程 | 第11页 |
| 1.2.3 机器视觉国内发展现状 | 第11-13页 |
| 1.3 国内机器视觉系统的发展趋向 | 第13页 |
| 1.4 论文主要研究内容 | 第13-15页 |
| 第二章 线材缺陷与图像采集硬件分析 | 第15-29页 |
| 2.1 在线检测功能需求与性能指标 | 第15页 |
| 2.2 圆形线材表面缺陷成因分析及检测要求 | 第15-19页 |
| 2.2.1 圆形线材表面缺陷分析 | 第15-18页 |
| 2.2.2 检测要求 | 第18页 |
| 2.2.3 线材表面缺陷检测流程 | 第18-19页 |
| 2.3 图像采集系统 | 第19-27页 |
| 2.3.1 摄像机 | 第19-21页 |
| 2.3.2 镜头 | 第21-23页 |
| 2.3.3 照明系统 | 第23-27页 |
| 2.3.4 图像采集卡 | 第27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 线材缺陷图像滤波 | 第29-41页 |
| 3.1 图像噪声类型 | 第29-32页 |
| 3.1.1 高斯噪声 | 第29-30页 |
| 3.1.2 椒盐噪声 | 第30-31页 |
| 3.1.3 泊松噪声 | 第31-32页 |
| 3.2 图像去噪算法研究 | 第32-37页 |
| 3.2.1 均值滤波法 | 第32-34页 |
| 3.2.2 中值滤波法 | 第34-35页 |
| 3.2.3 高斯滤波法 | 第35-37页 |
| 3.3 图像质量评价 | 第37-38页 |
| 3.4 处理效果分析 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 圆形线材缺陷特征提取 | 第41-54页 |
| 4.1 SIFT特征提取 | 第41-43页 |
| 4.2 HOG特征提取 | 第43页 |
| 4.3 SURF特征提取 | 第43-46页 |
| 4.3.1 Hassian矩阵 | 第43-44页 |
| 4.3.2 尺度空间构造 | 第44页 |
| 4.3.3 特征点主方向的确定 | 第44-45页 |
| 4.3.4 SURF特征检测的性能 | 第45-46页 |
| 4.4 特征提取实验分析 | 第46-53页 |
| 4.4.1 SIFT提取分析 | 第46-48页 |
| 4.4.2 HOG提取分析 | 第48-50页 |
| 4.4.3 SURF提取分析 | 第50-52页 |
| 4.4.4 特征时间复杂度比较 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 圆形线材表面缺陷的识别分类 | 第54-66页 |
| 5.1 常见的分类算法 | 第54-57页 |
| 5.2 深度学习算法基本理论 | 第57-59页 |
| 5.2.1 深度学习基本思想 | 第57页 |
| 5.2.2 深度学习的基本网络结构 | 第57-58页 |
| 5.2.3 深度学习的训练过程 | 第58-59页 |
| 5.3 卷积神经网络 | 第59-61页 |
| 5.3.1 卷积神经网络的基本原理 | 第59-60页 |
| 5.3.3 卷积网络训练过程 | 第60-61页 |
| 5.4 多层神经网络模型 | 第61-62页 |
| 5.5 多层神经网络与卷积神经网络结合 | 第62-63页 |
| 5.6 实验结论与分析 | 第63-65页 |
| 5.7 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 工作总结 | 第66页 |
| 6.2 需要进行的改进与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 附录A 图像滤波中涉及的运算程序 | 第72-73页 |
| 个人简历 攻读硕士学位期间的科研成果 | 第73-74页 |
| 致谢 | 第74页 |
