| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 课题来源 | 第11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 机器视觉检测机器人 | 第11-12页 |
| 1.3.2 射线检测 | 第12-13页 |
| 1.4 铸件缺陷动态检测 | 第13页 |
| 1.5 本文主要研究内容 | 第13-16页 |
| 2 人眼视觉系统及其注意机制 | 第16-24页 |
| 2.1 人眼视觉系统简介 | 第16-20页 |
| 2.1.1 人眼视觉生理基础 | 第16-19页 |
| 2.1.2 人类认知过程 | 第19-20页 |
| 2.2 视觉注意的计算模型 | 第20-23页 |
| 2.2.1 自底向上视觉注意机制模型研究 | 第21-22页 |
| 2.2.2 自顶向下视觉注意机制模型研究 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3.基于人眼视觉注意机制的铸件缺陷识别及提取方法 | 第24-38页 |
| 3.1 显著性计算模型的原则 | 第24-25页 |
| 3.2 典型的显著性计算模型 | 第25-30页 |
| 3.2.1 基于信息最大化的AIM模型 | 第25-26页 |
| 3.2.2 基于频域的模型 | 第26-27页 |
| 3.2.3 基于生物理论的Itti模型 | 第27-30页 |
| 3.3 改进的视觉注意机制模型及方法 | 第30-34页 |
| 3.3.1 基于区域分割的视觉注意机制实现方法 | 第31-32页 |
| 3.3.2 基于行（列）分割的视觉注意机制实现方法 | 第32-34页 |
| 3.4 实验分析 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4.基于图像动态序列的铸件缺陷匹配与定位方法 | 第38-53页 |
| 4.1 Harris-SIFT特征匹配方法 | 第38-40页 |
| 4.1.1 Harris角点与SIFT特征 | 第38-39页 |
| 4.1.2 Harris角点的提取 | 第39页 |
| 4.1.3 Harris角点的初步匹配 | 第39-40页 |
| 4.2 SIFT特征提取以及初步匹配 | 第40-45页 |
| 4.2.1 SIFT特征提取 | 第40-43页 |
| 4.2.2 SIFT特征的匹配 | 第43-45页 |
| 4.3 RANSAC优化 | 第45-46页 |
| 4.3.1 RANSAC基本思想 | 第45页 |
| 4.3.2 RANSAC算法流程 | 第45-46页 |
| 4.4 本文缺陷匹配算法具体流程 | 第46页 |
| 4.5 铸件X射线图像中缺陷定位方法 | 第46-50页 |
| 4.5.1 射线图像缺陷定位检测方法概述 | 第46-48页 |
| 4.5.2 平移视差法 | 第48-50页 |
| 4.6 实验分析实验分析 | 第50-52页 |
| 4.7 本章小结 | 第52-53页 |
| 5 基于SVM的铸件缺陷分类方法 | 第53-59页 |
| 5.1 SVM基本原理 | 第53-54页 |
| 5.2 SVM核函数的选择 | 第54-55页 |
| 5.3 铸件缺陷分类的RBF神经网络建立 | 第55-57页 |
| 5.4 基于SVM的铸件缺陷分类方法 | 第57页 |
| 5.5 本章小结 | 第57-59页 |
| 6.铸件缺陷识别及定位的系统设计 | 第59-65页 |
| 6.1 巡检机器人设计 | 第60-61页 |
| 6.2 系统软件设计 | 第61-64页 |
| 6.3 本章小结 | 第64-65页 |
| 7.总结与展望 | 第65-67页 |
| 7.1 研究总结 | 第65页 |
| 7.2 课题展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-70页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第70-71页 |
| 附录 2 | 第71-89页 |