| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-11页 |
| 第一章 绪论 | 第11-23页 |
| ·课题的提出 | 第11-12页 |
| ·三坐标测量机的发展历程 | 第12-14页 |
| ·智能三坐标测量机的研究现状 | 第14-21页 |
| ·本论文的主要工作 | 第21-23页 |
| 第二章 智能三坐标测量机系统及其关键技术 | 第23-27页 |
| ·智能三坐标测量机系统的构成 | 第23-24页 |
| ·智能三坐标测量机系统中的关键技术 | 第24-25页 |
| ·研究工作的软、硬件支持 | 第25-27页 |
| 第三章 Pro/ENGINEER零件信息提取的研究 | 第27-61页 |
| ·Pro/TOOLKIT简介 | 第28-29页 |
| ·Pro/TOOLKIT应用程序开发简介 | 第29-38页 |
| ·Pro/TOOLKIT应用程序的开发方法 | 第30-32页 |
| ·Pro/TOOLKIT应用程序的工作模式 | 第32-33页 |
| ·Pro/TOOLKIT应用程序的开发步骤 | 第33-35页 |
| ·Pro/TOOLKIT应用程序开发环境的设置 | 第35-38页 |
| ·Pro/E零件几何信息的提取 | 第38-54页 |
| ·拉伸特征信息的提取 | 第43-45页 |
| ·旋转特征信息的提取 | 第45-53页 |
| ·几何信息自动提取的实验验证 | 第53-54页 |
| ·Pro/E零件公差信息的提取 | 第54-61页 |
| ·尺寸公差的提取 | 第54-57页 |
| ·形位公差的提取 | 第57-58页 |
| ·公差信息提取的实验验证 | 第58-61页 |
| 第四章 零件位姿自动识别系统的整体设计 | 第61-85页 |
| ·零件位姿自动识别系统的总体设计 | 第61-65页 |
| ·零件位姿自动识别系统的主要任务 | 第62-64页 |
| ·视觉系统的组成与安装 | 第64-65页 |
| ·零件位姿自动识别系统的原理 | 第65-66页 |
| ·零件位姿自动识别系统的数学模型 | 第66-70页 |
| ·视觉系统的标定 | 第70-85页 |
| ·实际摄像机模型的建立 | 第71-76页 |
| ·实际摄像机模型的求解 | 第76-80页 |
| ·标定实验 | 第80-85页 |
| 第五章 零件位姿自动识别系统中的图像处理 | 第85-105页 |
| ·图像的滤波 | 第85-88页 |
| ·图像二值化阈值的自动选取 | 第88-99页 |
| ·最大类间方差法 | 第89-91页 |
| ·基本遗传算法 | 第91-96页 |
| ·贪婪遗传算法 | 第96-97页 |
| ·贪婪遗传算法与简单遗传算法的实验比较 | 第97-99页 |
| ·图像轮廓的提取 | 第99-101页 |
| ·干扰图像信息的去除 | 第101-105页 |
| 第六章 图像匹配与识别技术的研究 | 第105-129页 |
| ·图像匹配算法的分类 | 第105-108页 |
| ·关系结构匹配法 | 第106页 |
| ·神经网络匹配法 | 第106页 |
| ·基于特征的匹配方法 | 第106-107页 |
| ·基于灰度的匹配方法 | 第107-108页 |
| ·图像的不变矩 | 第108-114页 |
| ·图像的几何矩 | 第108-109页 |
| ·图像几何矩的物理意义 | 第109-112页 |
| ·图像的不变矩理论 | 第112-114页 |
| ·基于神经网络的图像匹配 | 第114-125页 |
| ·人工神经网络模式识别 | 第115-118页 |
| ·BP神经网络的训练 | 第118-124页 |
| ·基于BP神经网络的零件模式识别 | 第124-125页 |
| ·零件方向和位置的确定 | 第125-129页 |
| 第七章 零件位姿自动识别系统的实验研究 | 第129-143页 |
| ·实验系统的组成 | 第129-130页 |
| ·自动识别系统的搜索策略 | 第130-132页 |
| ·标准球球心位置自动识别实验 | 第132-135页 |
| ·零件位姿自动识别系统的稳定性实验 | 第135-137页 |
| ·零件位姿和方向自动识别实验 | 第137-139页 |
| ·被测零件的判别实验 | 第139-140页 |
| ·影响零件位姿自动识别系统精度的主要因素 | 第140-143页 |
| 第八章 全文总结与展望 | 第143-147页 |
| ·全文总结 | 第143-145页 |
| ·展望 | 第145-147页 |
| 参考文献 | 第147-155页 |
| 致谢 | 第155页 |