基于计算机视觉的钢材表面缺陷检测系统的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题的研究背景及意义 | 第10-12页 |
| 1.1.1 课题的研究背景 | 第10页 |
| 1.1.2 课题的意义 | 第10-12页 |
| 1.2 机器视觉检测技术 | 第12-13页 |
| 1.2.1 机器视觉技术概述 | 第12-13页 |
| 1.2.2 机器视觉表面缺陷检测技术的发展及应用 | 第13页 |
| 1.3 本文的主要研究内容 | 第13-15页 |
| 第2章 表面缺陷检测系统总体设计 | 第15-24页 |
| 2.1 冷轧钢表面常见缺陷类型 | 第15-17页 |
| 2.2 机器视觉检测系统结构概述 | 第17-20页 |
| 2.2.1 表面缺陷采集子系统 | 第18-19页 |
| 2.2.2 缺陷处理子系统 | 第19-20页 |
| 2.2.3 缺陷识别和分类子系统 | 第20页 |
| 2.3 检测系统的软件设计 | 第20-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 图像预处理算法的研究 | 第24-40页 |
| 3.1 图像的滤波去噪 | 第24-27页 |
| 3.1.1 带钢缺陷图像的噪声成因分析 | 第24页 |
| 3.1.2 图像滤波算法分析 | 第24-27页 |
| 3.2 缺陷图像的增强 | 第27-33页 |
| 3.2.1 直方图均衡化 | 第27-30页 |
| 3.2.2 图像锐化 | 第30-33页 |
| 3.3 图像分割处理 | 第33-39页 |
| 3.3.1 基于梯度的边缘检测技术 | 第34-36页 |
| 3.3.2 传统Canny算子的边缘检测 | 第36-37页 |
| 3.3.3 改进的Canny边缘检测算法 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于遗传算法的特征选择 | 第40-53页 |
| 4.1 特征选择 | 第40-44页 |
| 4.1.1 灰度特征的提取 | 第40-41页 |
| 4.1.2 形态特征的提取 | 第41-43页 |
| 4.1.3 纹理特征的提取 | 第43-44页 |
| 4.2 遗传算法 | 第44-48页 |
| 4.2.1 编解码 | 第44-45页 |
| 4.2.2 适应函数 | 第45-46页 |
| 4.2.3 选择 | 第46-47页 |
| 4.2.4 交叉 | 第47-48页 |
| 4.2.5 变异 | 第48页 |
| 4.3 基于遗传算法的特征选择 | 第48-52页 |
| 4.3.1 编码方案 | 第48页 |
| 4.3.2 适应度函数的选择 | 第48-49页 |
| 4.3.3 缺陷特征的遗传算法操作 | 第49-50页 |
| 4.3.4 基于主元分析法的带钢缺陷图像降维 | 第50-51页 |
| 4.3.5 识别结果对比 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 基于BP神经网络的分类器的设计 | 第53-66页 |
| 5.1 BP神经网络 | 第53-59页 |
| 5.1.1 BP神经网络概述 | 第53-54页 |
| 5.1.2 BP神经网络算法 | 第54-57页 |
| 5.1.3 BP神经网络的实现 | 第57-59页 |
| 5.2 改进的BP神经网络 | 第59-62页 |
| 5.2.1 改进方法推导过程 | 第59-60页 |
| 5.2.2 实验结果对比 | 第60-62页 |
| 5.3 实验及结果分析 | 第62-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间所发表的学术论文 | 第71-72页 |
| 致谢 | 第72页 |
