首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

织物缺陷检测关键技术研究

摘要第4-5页
Abstract第5-6页
第1章 绪论第10-14页
    1.1 研究背景第10页
    1.2 研究意义第10-11页
    1.3 织物缺陷检测的国内外研究现状第11-12页
    1.4 织物缺陷检测的关键技术问题第12-13页
    1.5 本论文主要工作及内容安排第13-14页
        1.5.1 主要工作第13页
        1.5.2 内容安排第13-14页
第2章 机器视觉系统的硬件结构设计第14-24页
    2.1 视觉系统第14-15页
        2.1.1 视觉系统需求分析第14页
        2.1.2 机器视觉系统硬件结构第14-15页
    2.2 光源第15-18页
        2.2.1 光源的类型第15-16页
        2.2.2 光源的评价要素第16页
        2.2.3 光源的选择第16-18页
    2.3 相机第18-20页
        2.3.1 CCD、CMOS传感器第18-19页
        2.3.2 线阵相机与面阵相机第19页
        2.3.3 相机基本技术指标第19-20页
        2.3.4 相机的选型第20页
    2.4 图像采集卡第20-22页
        2.4.1 图像采集卡构成第21页
        2.4.2 图像采集卡选型第21-22页
    2.5 织物缺陷检测视觉系统硬件设计第22-23页
        2.5.1 检测对象参数分析第22页
        2.5.2 基于分布式的系统结构第22-23页
    2.6 本章小结第23-24页
第3章 织物缺陷检测的图像处理算法第24-38页
    3.1 图像预处理第24-25页
        3.1.1 基于点运算的图像增强第24页
        3.1.2 空间域增强第24-25页
        3.1.3 变换域增强第25页
    3.2 图像特征提取第25-29页
        3.2.1 纹理特征分析方法第26-27页
        3.2.2 纹理分析的频域变换第27-29页
    3.3 图像分割第29-32页
        3.3.1 区域法第30-31页
        3.3.2 边缘检测法第31页
        3.3.3 阈值法第31-32页
    3.4 灰度形态学第32-34页
    3.5 常见的织物缺陷检测算法第34-37页
        3.5.1 基于统计的方法第34-35页
        3.5.2 基于频谱的方法第35-36页
        3.5.3 基于模型法及其他方法第36-37页
    3.6 本章小结第37-38页
第4章 基于奇异值分解(SVD)的缺陷检测第38-56页
    4.1 基于改进2DFCM和SVD的缺陷检测第38-46页
        4.1.1 FCM算法第38-39页
        4.1.2 2DFCM算法第39-41页
        4.1.3 改进的抑制式2DFCM算法第41-42页
        4.1.4 基于改进的2DFCM和SVD陷检测的实现第42-43页
        4.1.5 实验结果分析比较第43-46页
    4.2 基于改进的截断奇异值分解(TSVD)重建图像的缺陷检测第46-53页
        4.2.1 奇异值分解(SVD)理论基础第46-48页
        4.2.2 截断奇异值分解(TSVD)重建图像第48-50页
        4.2.3 改进的截断奇异值分解(TSVD)重建图像第50页
        4.2.4 基于改进的截断奇异值分解的(TSVD)缺陷检测第50-51页
        4.2.5 实验结果分析比较第51-53页
    4.3 算法实验对比分析第53-55页
    4.4 本章小结第55-56页
第5章 在线缺陷检测的系统第56-63页
    5.1 软件平台开发概述第56页
    5.2 视觉系统实现的关键技术第56-58页
    5.3 检测软件界面第58-60页
        5.3.1 客户端系统界面介绍第58-59页
        5.3.2 图像处理系统界面介绍第59-60页
    5.4 织物缺陷检测检测流程第60-61页
    5.5 基于机器视觉的APLIX无纺布缺陷检测应用第61-62页
    5.6 本章小结第62-63页
第6章 总结与展望第63-65页
    6.1 论文研究工作总结第63-64页
    6.2 未来工作展望第64-65页
参考文献第65-70页
致谢第70-71页
作者攻读硕士期间完成的学术论文目录第71-72页

论文共72页,点击 下载论文
上一篇:基于双目视觉的爬壁机器人环境检测技术研究
下一篇:基于K-Means的文本聚类算法研究