鋼板表面質(zhì)量在線監(jiān)測技術

序
前言
第1章 緒論
1.1 表面監(jiān)測技術概述
1.1.1 表面監(jiān)測技術的含義
1.1.2 表面監(jiān)測技術的發(fā)展及研究現(xiàn)狀
1.1.3 表面監(jiān)測技術的意義
1.2 鋼板分類及檢測現(xiàn)狀
1.2.1 鋼板的分類
1.2.2 我國鋼板生產(chǎn)及質(zhì)量檢測現(xiàn)狀
1.3 本書的主要內(nèi)容和基本結構
第2章 鋼板表面缺陷圖像及成因分析
2.1 冷軋鋼板典型缺陷
2.2 熱軋鋼板典型缺陷
2.2.1 冶煉缺陷
2.2.2 軋制缺陷
第3章 鋼板表面質(zhì)量在線監(jiān)測系統(tǒng)的設計
3.1 鋼板表面質(zhì)量在線監(jiān)測系統(tǒng)的分類
3.2 系統(tǒng)的性能需求分析
3.2.1 冷軋鋼板表面質(zhì)量在線監(jiān)測系統(tǒng)性能需求
3.2.2 熱軋鋼板表面質(zhì)量在線監(jiān)測系統(tǒng)性能需求
3.3 系統(tǒng)的硬結構設計
3.3.1 整體結構設計
3.3.2 計算機硬件系統(tǒng)
3.3.3 攝像系統(tǒng)的確定
3.3.4 照明方式
3.3.5 其他輔助裝置
3.4 系統(tǒng)的軟件結構設計
3.4.1 客戶機軟件系統(tǒng)
3.4.2 服務器軟件系統(tǒng)
3.4.3 控制臺軟件
第4章 缺陷圖像預處理技術
4.1 鋼板表面邊界圖像
4.1.1 鋼板表面圖像有效區(qū)域的定義
4.1.2 鋼板邊界檢測的意義
4.1.3 鋼板邊界檢測的作用
4.2 簡易邊界搜索算法
4.3 灰度梯度閾值搜索算法
4.3.1 灰度梯度閾值搜索算法原理
4.3.2 實驗驗證
4.4 邊界局部搜索算法
4.4.1 邊界局部搜索算法原理及實現(xiàn)步驟
4.4.2 邊界局部搜索算法實例解析
4.4.3 邊界局部搜索算法在冷軋鋼板有效區(qū)域提取中的應用
4.4.4 邊界局部搜索算法的討論
4.4.5 邊界局部搜索擴展算法
4.5 鋼板表面缺陷圖像增強算法
4.5.1 鄰域增強算法
4.5.2 中值濾波
4.5.3 直方圖均衡化“
4.5.4 頻域圖像增強
4.5.5 基于小波變換的圖像增強算法
第5章 鋼板表面缺陷區(qū)域檢測技術
5.1 區(qū)域檢測的主要過程
5.1.1 區(qū)域檢測的流程
5.1.2 可疑點檢測的方法
5.1.3 ROI搜索
5.1.4 ROI合并
5.1.5 鋼板表面缺陷區(qū)域檢測實驗
5.2 基于數(shù)學形態(tài)學的區(qū)域檢測方法
5.2.1 數(shù)學形態(tài)學基本理論
5.2.2 形態(tài)濾波及其在鋼板表面缺陷檢測中的應用
5.3 基于形態(tài)小波的區(qū)域檢測方法
5.3.1 形態(tài)小波理論
5.3.2 基于形態(tài)小波的鋼板表面缺陷檢測
第6章 缺陷特征提取與選擇技術
6.1 鋼板表面圖像模式識別基礎
6.1.1 模式識別的基本概念
6.1.2 模式空間、特征空間和類型空間
6.1.3 特征提取和特征選擇
6.2 典型特征的提取
6.2.1 空域特征的提取
6.2.2 頻域特征的提取
6.3 鋼板表面缺陷特征選擇方法
6.3.1 類別可分離性判據(jù)
6.3.2 常見的特征選擇方法的簡介與分析
6.3.3 基于遺傳算法的特征選擇方法
第7章 鋼板表面缺陷識別技術
7.1 表面缺陷識別概述
7.1.1 模式識別主要方法簡介
7.1.2 分類器的設計
7.1.3 BP神經(jīng)網(wǎng)絡與LVQ神經(jīng)網(wǎng)絡
7.2 基于BP神經(jīng)網(wǎng)絡的分類器設計
7.2.1 BP網(wǎng)絡分類器設計時應考慮的問題
7.2.2 缺陷識別過程
7.2.3 實驗驗證
7.2.4 BP神經(jīng)網(wǎng)絡識別的不足
7.3 多缺陷類型下樣本庫的建立與特征集確定
7.3.1 樣本庫的建立
7.3.2 特征集的確定及實驗驗證
7.4 多缺陷類型的分類器研究
7.4.1 基于小樣本的神經(jīng)網(wǎng)絡參數(shù)優(yōu)化選擇方法
7.4.2 基于LVQ3神經(jīng)網(wǎng)絡的表面缺陷識別與分析
7.4.3 基于支持向量機的表面缺陷識別算法研究
7.4.4 多缺陷類型的識別總結
參考文獻