基于机器视觉的带钢表面缺陷检测系统研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·课题意义及其前景 | 第8-9页 |
| ·课题的来源 | 第9页 |
| ·国内外研究现状 | 第9-10页 |
| ·国外研究现状 | 第9-10页 |
| ·国内研究现状 | 第10页 |
| ·表面缺陷检测方法 | 第10-11页 |
| ·课题的研究内容 | 第11-13页 |
| 2 带钢表面缺陷检测系统方案设计 | 第13-19页 |
| ·系统检测的常见缺陷类型 | 第13-15页 |
| ·系统硬件结构设计 | 第15-17页 |
| ·系统软件结构设计 | 第17-18页 |
| ·图像采集系统设计 | 第18页 |
| ·本章小结 | 第18-19页 |
| 3 图像预处理 | 第19-30页 |
| ·图像滤波去噪 | 第19-23页 |
| ·邻域平均法 | 第19-20页 |
| ·梯度倒数加权法 | 第20-21页 |
| ·中值滤波 | 第21-22页 |
| ·带钢图像滤波实验及其分析 | 第22-23页 |
| ·图像分割 | 第23-29页 |
| ·灰度阈值分割 | 第23-25页 |
| ·一阶边缘检测算子法 | 第25-26页 |
| ·二阶边缘检测算子法 | 第26-28页 |
| ·Canny 算子 | 第28-29页 |
| ·缺陷图像分割算法比较 | 第29页 |
| ·本章小结 | 第29-30页 |
| 4 特征提取和选择 | 第30-46页 |
| ·特征提取和选择概述 | 第30-34页 |
| ·特征提取和选择的概念 | 第30-31页 |
| ·特征提取和选择的评判标准 | 第31-33页 |
| ·传统的特征提取和选择算法 | 第33-34页 |
| ·带钢表面缺陷特征 | 第34-39页 |
| ·形态特征 | 第36-37页 |
| ·灰度特征 | 第37-38页 |
| ·纹理特征 | 第38-39页 |
| ·基于神经网络的特征选择和提取方法 | 第39-45页 |
| ·神经网络的基本概念 | 第39-40页 |
| ·神经网络的计算特点 | 第40-41页 |
| ·BP 神经网络系统 | 第41-42页 |
| ·基于BP 网络的特征选择和提取 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 5 缺陷识别方法研究 | 第46-54页 |
| ·模式识别基本原理 | 第46-48页 |
| ·模式识别的概念 | 第46-47页 |
| ·模式识别方法 | 第47-48页 |
| ·基于BP 网络的分类器设计 | 第48-51页 |
| ·缺陷的识别过程 | 第48-49页 |
| ·BP 网络分类器结构设计 | 第49页 |
| ·BP 网络分类器训练 | 第49-51页 |
| ·分类器测试及结果分析 | 第51-52页 |
| ·本章小结 | 第52-54页 |
| 6 结论 | 第54-55页 |
| ·工作总结 | 第54页 |
| ·研究展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 附录 作者在攻读硕士学位期间发表的论文 | 第58-59页 |
