基于图像处理技术的铸坯表面缺陷自动检测系统的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 铸坯表面缺陷自动检测技术的研究背景和意义 | 第8-9页 |
| 1.1.1 课题的研究背景和意义 | 第8-9页 |
| 1.1.2 课题的来源 | 第9页 |
| 1.2 铸坯表面缺陷自动检测技术的研究现状 | 第9-11页 |
| 1.3 本文的研究内容及创新点 | 第11-12页 |
| 1.3.1 本文研究内容 | 第11页 |
| 1.3.2 本文创新点 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 第二章 图像处理基础 | 第13-27页 |
| 2.1 图像处理概述 | 第13-14页 |
| 2.1.1 系统基本组成 | 第13页 |
| 2.1.2 特点及应用 | 第13-14页 |
| 2.2 图像数字化 | 第14-15页 |
| 2.3 图像变换 | 第15-17页 |
| 2.3.1 空间域变换 | 第15-16页 |
| 2.3.2 频率域变换 | 第16-17页 |
| 2.4 图像增强 | 第17-23页 |
| 2.4.1 图像灰度变换 | 第18-20页 |
| 2.4.2 直方图均衡化 | 第20-21页 |
| 2.4.3 空间域滤波增强 | 第21-23页 |
| 2.5 图像分割 | 第23-26页 |
| 2.5.1 阈值法 | 第24页 |
| 2.5.2 边缘算子法 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 系统总体设计 | 第27-35页 |
| 3.1 硬件系统设计 | 第27-30页 |
| 3.1.1 图像采集系统 | 第27-28页 |
| 3.1.2 图像处理系统 | 第28-29页 |
| 3.1.3 服务器 | 第29-30页 |
| 3.2 软件系统设计 | 第30-34页 |
| 3.2.1 图像预处理 | 第30-31页 |
| 3.2.2 目标检测 | 第31页 |
| 3.2.3 缺陷分割 | 第31-32页 |
| 3.2.4 特征提取 | 第32页 |
| 3.2.5 缺陷识别 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 基于BP 神经网络的缺陷识别算法研究 | 第35-43页 |
| 4.1 引言 | 第35页 |
| 4.2 人工神经网络 | 第35-37页 |
| 4.2.1 人工神经元基本模型 | 第35-36页 |
| 4.2.2 基本激活函数 | 第36-37页 |
| 4.2.3 神经网络的分类 | 第37页 |
| 4.3 BP 神经网络及其学习算法 | 第37-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 铸坯表面缺陷检测系统的实现 | 第43-48页 |
| 5.1 系统组成 | 第43-44页 |
| 5.2 缺陷图像特征提取 | 第44页 |
| 5.2.1 常见特征值 | 第44页 |
| 5.2.2 特征选取 | 第44页 |
| 5.3 基于BP 神经网络缺陷分类器的设计与实现 | 第44-45页 |
| 5.4 实验结果与分析 | 第45-47页 |
| 5.4.1 实验运行环境 | 第45页 |
| 5.4.2 缺陷检测算法流程 | 第45-46页 |
| 5.4.3 实验结果与分析 | 第46-47页 |
| 5.5 本章小结 | 第47-48页 |
| 第六章 总结和展望 | 第48-49页 |
| 6.1 本文工作总结 | 第48页 |
| 6.2 展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 研究生期间发表论文和参与科研项目 | 第52-53页 |
| 致谢 | 第53-54页 |
| 详细摘要 | 第54-56页 |
