| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外相关研究的进展与现状 | 第10-14页 |
| 1.2.1 常用的焊缝检测传感器 | 第10页 |
| 1.2.2 焊缝检测的国内外研究现状 | 第10-14页 |
| 1.3 论文主要研究内容 | 第14-16页 |
| 第二章 焊缝检测系统 | 第16-23页 |
| 2.1 系统的总体方案设计 | 第16-17页 |
| 2.2 系统的硬件设计 | 第17-20页 |
| 2.2.1 工业相机 | 第17-18页 |
| 2.2.2 工业镜头 | 第18-19页 |
| 2.2.3 照明光源设计 | 第19-20页 |
| 2.3 系统的软件设计 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于边缘检测的焊缝图像处理 | 第23-36页 |
| 3.1 焊缝图像的预处理 | 第23-25页 |
| 3.1.1 各向异性滤波 | 第23-25页 |
| 3.2 焊缝图像的边缘检测 | 第25-29页 |
| 3.2.1 基于Sobel算子的边缘检测 | 第26-27页 |
| 3.2.2 基于Canny算子的边缘检测 | 第27-29页 |
| 3.3 焊缝图像的后处理 | 第29-32页 |
| 3.3.1 形态学后处理 | 第29-30页 |
| 3.3.2 基于区域生长标号去噪 | 第30-32页 |
| 3.4 基于质心的中心线提取算法 | 第32-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于子区域神经网络的焊缝检测 | 第36-49页 |
| 4.1 子区域BP神经网络 | 第36-44页 |
| 4.1.1 子区域BP神经网络的结构设计 | 第36-38页 |
| 4.1.2 子区域BP神经网络的训练 | 第38-42页 |
| 4.1.3 子区域BP神经网络的测试 | 第42-44页 |
| 4.2 子区域BP_Adaboost算法 | 第44-48页 |
| 4.2.1 Adaboost算法介绍 | 第44-45页 |
| 4.2.2 子区域BP_Adaboost算法 | 第45-46页 |
| 4.2.3 子区域BP_Adaboost的训练和测试 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 基于卷积神经网络的焊缝检测 | 第49-66页 |
| 5.1 卷积神经网络 | 第49-51页 |
| 5.1.1 卷积神经网络的结构 | 第49-50页 |
| 5.1.2 卷积神经网络的运算 | 第50-51页 |
| 5.1.3 卷积神经网络的训练 | 第51页 |
| 5.2 Faster RCNN模型介绍 | 第51-57页 |
| 5.2.1 RCNN算法 | 第52-53页 |
| 5.2.2 Fast RCNN算法 | 第53-55页 |
| 5.2.3 Faster RCNN算法 | 第55-57页 |
| 5.3 训练和测试 | 第57-59页 |
| 5.4 焊缝中心线提取 | 第59-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 实验 | 第66-73页 |
| 6.1 距离标定实验 | 第66-67页 |
| 6.1.1 实验原理 | 第66-67页 |
| 6.1.2 实验方法 | 第67页 |
| 6.1.3 实验结果 | 第67页 |
| 6.2 三种算法的效果对比实验 | 第67-69页 |
| 6.2.1 实验目的 | 第67页 |
| 6.2.2 实验方法 | 第67-68页 |
| 6.2.3 实验结果和分析 | 第68-69页 |
| 6.3 基于卷积神经网络的焊缝检测稳定性实验 | 第69-72页 |
| 6.3.1 实验目的 | 第69页 |
| 6.3.2 实验方法 | 第69-70页 |
| 6.3.3 实验结果和分析 | 第70-72页 |
| 6.4 本章小结 | 第72-73页 |
| 第七章 总结与展望 | 第73-75页 |
| 7.1 工作总结 | 第73-74页 |
| 7.2 研究创新点 | 第74页 |
| 7.3 未来工作展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 作者简介 | 第79页 |