基于显微视觉的深孔微异型面粗糙度测量方法
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-20页 |
| ·课题的研究背景与意义 | 第9-10页 |
| ·表面粗糙度检测技术综述 | 第10-17页 |
| ·接触式测量 | 第11-12页 |
| ·非接触式测量 | 第12-15页 |
| ·表面粗糙度的机器视觉检测技术 | 第15-17页 |
| ·深孔表面粗糙度检测现状 | 第17-18页 |
| ·本课题研究的主要内容 | 第18-20页 |
| 2 深孔内微异型面表面粗糙度测量的原理与方法 | 第20-28页 |
| ·深孔内微异型面的表面粗糙度测量原理 | 第20-21页 |
| ·深孔内微异型面的图像采集方法 | 第21-24页 |
| ·阀门样件表面粗糙度值的获取方法 | 第24-27页 |
| ·本章小结 | 第27-28页 |
| 3 显微图像特征参数的提取方法 | 第28-38页 |
| ·纹理分析方法 | 第28-31页 |
| ·统计方法 | 第28-29页 |
| ·结构分析法 | 第29页 |
| ·模型法 | 第29-30页 |
| ·信号处理法 | 第30-31页 |
| ·灰度共生矩阵 | 第31-33页 |
| ·定义 | 第31-32页 |
| ·构造参数的影响 | 第32-33页 |
| ·图像统计特征参数的提取 | 第33-37页 |
| ·构造参数的确定 | 第33-36页 |
| ·统计特征参数的提取 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 4 深孔内微异型面表面粗糙度估算模型研究 | 第38-56页 |
| ·BP神经网络 | 第38-44页 |
| ·BP神经网络结构 | 第38-39页 |
| ·BP学习算法 | 第39-42页 |
| ·BP学习步骤 | 第42-43页 |
| ·BP神经网络设计 | 第43-44页 |
| ·改进的BP神经网络 | 第44-50页 |
| ·遗传算法 | 第45-47页 |
| ·遗传算法与神经网络的结合 | 第47-50页 |
| ·实验结果分析 | 第50-54页 |
| ·网络性能评价参数 | 第51页 |
| ·BP与GA-BP神经网络模型估算结果对比 | 第51-54页 |
| ·本章小结 | 第54-56页 |
| 5 深孔内微异型面表面粗糙度测量的软件设计 | 第56-67页 |
| ·软件平台介绍 | 第56-57页 |
| ·VB软件 | 第56-57页 |
| ·MATLAB软件 | 第57页 |
| ·VB与MATLAB接口技术 | 第57-63页 |
| ·ActiveX技术 | 第57-58页 |
| ·动态数据交换 | 第58页 |
| ·通过M文件 | 第58-59页 |
| ·引入Matrivb | 第59页 |
| ·COM组件技术 | 第59-63页 |
| ·测量系统软件界面功能介绍 | 第63-66页 |
| ·本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 攻读硕士学位期间发表学术论文情况 | 第72-73页 |
| 致谢 | 第73-74页 |
