首页--工业技术论文--轻工业、手工业论文--纺织工业、染整工业论文--一般性问题论文--基础科学论文--品质管理与质量控制论文

基于机器视觉的纺织品瑕疵检测与分类

摘要第3-5页
ABSTRACT第5-6页
1 绪论第10-17页
    1.1 课题背景与意义第10-11页
    1.2 行业发展现状第11-13页
    1.3 关键技术及研究现状第13-15页
        1.3.1 图像预处理第13页
        1.3.2 图像分析技术第13-15页
        1.3.3 瑕疵识别技术第15页
    1.4 论文工作安排第15-17页
2 布匹类型识别与分类第17-29页
    2.1 引言第17页
    2.2 基于灰度共生矩阵构建特征向量第17-23页
        2.2.1 灰度共生矩阵基本原理第17-19页
        2.2.2 特征值的选择第19-21页
        2.2.3 灰度级参数择优与特征值提取第21-23页
    2.3 基于K近邻算法进行分类第23-28页
        2.3.1 K近邻算法基本原理第23-25页
        2.3.2 K近邻算法最优参数选取第25-28页
        2.3.3 K近邻布匹分类结果第28页
    2.4 本章小结第28-29页
3 基于Gabor滤波器与灰度共生矩阵的瑕疵检测第29-53页
    3.1 引言第29页
    3.2 图像预处理第29-32页
        3.2.1 蒙版锐化法第29-31页
        3.2.2 光比平衡法第31-32页
    3.3 基于Gabor滤波器的瑕疵检测第32-39页
        3.3.1 Gabor函数与二维Gabor滤波器第32-34页
        3.3.2 Gabor多角度多尺度滤波第34-36页
        3.3.3 滤波图像融合与检测结果第36-39页
    3.4 基于灰度共生矩阵的瑕疵检测第39-44页
        3.4.1 常规灰度共生矩阵检测第39-41页
        3.4.2 改进的灰度共生矩阵检测第41-44页
    3.5 图像分割与检测结果第44-52页
        3.5.1 图像分割第44-47页
        3.5.2 连通域分析第47-49页
        3.5.3 瑕疵检测结果第49-52页
    3.6 本章小结第52-53页
4 基于机器学习的瑕疵分类第53-81页
    4.1 引言第53页
    4.2 构建瑕疵特征向量第53-54页
    4.3 基于支持向量机的瑕疵分类第54-59页
        4.3.1 支持向量机基本原理第54-58页
        4.3.2 分类器择优与结果第58-59页
    4.4 基于CART决策树的瑕疵分类第59-66页
        4.4.1 CART决策树基本原理第59-63页
        4.4.2 决策树参数选优与分类结果第63-66页
    4.5 基于BP神经网络的瑕疵分类第66-77页
        4.5.1 BP神经网络基本原理第66-70页
        4.5.2 BP网络设计第70-74页
        4.5.3 BP分类结果第74-77页
    4.6 基于各类别分类精度的混合分类法第77-80页
        4.6.1 三种分类器独立分类结果第77-78页
        4.6.2 混合分类法第78-80页
    4.7 本章小结第80-81页
5 可视化瑕疵检测系统第81-89页
    5.1 引言第81页
    5.2 质量定级标准第81-82页
    5.3 可视化系统功能介绍第82-88页
        5.3.1 单次检测第82-84页
        5.3.2 实时校正与二次训练第84-87页
        5.3.3 批量检测第87-88页
    5.4 本章小结第88-89页
6 总结与展望第89-90页
致谢第90-91页
参考文献第91-95页
攻读学位期间的成果第95页

论文共95页,点击 下载论文
上一篇:基于LSTM的个性化学习推荐系统的研究与设计
下一篇:基于样本与稀疏分解的图像修复算法研究