钢板表面质量在线监测技术 原版内页干净

图书标准信息

• 作者 杨朝霖 著；吴贵芳；徐科
• 出版社 科学出版社
• 出版时间 2010-05
• 版次 1
• ISBN 9787030273239
• 定价 45.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 229页
• 字数 288千字

【内容简介】

本书是一本介绍利用机器视觉方法对钢板的生产过程进行质量监测的专著。本书紧紧围绕钢板表面质量在线监测技术，从系统的软、硬件设计着手，针对系统的每个部分进行了探索研究。主要内容包括：钢板表面缺陷图像预处理技术、钢板表面缺陷区域检测技术、缺陷特征提取与选择技术以及钢板表面缺陷识别技术。

  本书可供从事钢板表面质量检测的科研工作者及技术开发人员使用，也可作为相关专业的本科生及研究生的实践应用教材，以及表面检测和机器视学等方面研究人员的参考资料。

【目录】

序

前言

第1章  绪论

  1.1  表面监测技术概述

    1.1.1  表面监测技术的含义

    1.1.2  表面监测技术的发展及研究现状

    1.1.3  表面监测技术的意义

  1.2  钢板分类及检测现状

    1.2.1  钢板的分类

    1.2.2  我国钢板生产及质量检测现状

  1.3  本书的主要内容和基本结构

第2章  钢板表面缺陷图像及成因分析

  2.1  冷轧钢板典型缺陷

  2.2  热轧钢板典型缺陷

    2.2.1  冶炼缺陷

    2.2.2  轧制缺陷

第3章  钢板表面质量在线监测系统的设计

  3.1  钢板表面质量在线监测系统的分类

  3.2  系统的性能需求分析

    3.2.1  冷轧钢板表面质量在线监测系统性能需求

    3.2.2  热轧钢板表面质量在线监测系统性能需求

  3.3  系统的硬结构设计

    3.3.1  整体结构设计

    3.3.2  计算机硬件系统

    3.3.3  摄像系统的确定

    3.3.4  照明方式

    3.3.5  其他辅助装置

  3.4  系统的软件结构设计

    3.4.1  客户机软件系统

    3.4.2  服务器软件系统

    3.4.3  控制台软件

第4章  缺陷图像预处理技术

  4.1  钢板表面边界图像

    4.1.1  钢板表面图像有效区域的定义

    4.1.2  钢板边界检测的意义

    4.1.3  钢板边界检测的作用

  4.2  简易边界搜索算法

  4.3  灰度梯度阈值搜索算法

    4.3.1  灰度梯度阈值搜索算法原理

    4.3.2  实验验证

  4.4  边界局部搜索算法

    4.4.1  边界局部搜索算法原理及实现步骤

    4.4.2  边界局部搜索算法实例解析

    4.4.3  边界局部搜索算法在冷轧钢板有效区域提取中的应用

    4.4.4  边界局部搜索算法的讨论

    4.4.5  边界局部搜索扩展算法

  4.5  钢板表面缺陷图像增强算法

    4.5.1  邻域增强算法

    4.5.2  中值滤波

    4.5.3  直方图均衡化“

    4.5.4  频域图像增强

    4.5.5  基于小波变换的图像增强算法

第5章  钢板表面缺陷区域检测技术

  5.1  区域检测的主要过程

    5.1.1  区域检测的流程

    5.1.2  可疑点检测的方法

    5.1.3  ROI搜索

    5.1.4  ROI合并

    5.1.5  钢板表面缺陷区域检测实验

  5.2  基于数学形态学的区域检测方法

    5.2.1  数学形态学基本理论

    5.2.2  形态滤波及其在钢板表面缺陷检测中的应用

  5.3  基于形态小波的区域检测方法

    5.3.1  形态小波理论

    5.3.2  基于形态小波的钢板表面缺陷检测

第6章  缺陷特征提取与选择技术

  6.1  钢板表面图像模式识别基础

    6.1.1  模式识别的基本概念

    6.1.2  模式空间、特征空间和类型空间

    6.1.3  特征提取和特征选择

  6.2  典型特征的提取

    6.2.1  空域特征的提取

    6.2.2  频域特征的提取

  6.3  钢板表面缺陷特征选择方法

    6.3.1  类别可分离性判据

    6.3.2  常见的特征选择方法的简介与分析

    6.3.3  基于遗传算法的特征选择方法

第7章  钢板表面缺陷识别技术

  7.1  表面缺陷识别概述

    7.1.1  模式识别主要方法简介

    7.1.2  分类器的设计

    7.1.3  BP神经网络与LVQ神经网络

  7.2  基于BP神经网络的分类器设计

    7.2.1  BP网络分类器设计时应考虑的问题

    7.2.2  缺陷识别过程

    7.2.3  实验验证

    7.2.4  BP神经网络识别的不足

  7.3  多缺陷类型下样本库的建立与特征集确定

    7.3.1  样本库的建立

    7.3.2  特征集的确定及实验验证

  7.4  多缺陷类型的分类器研究

    7.4.1  基于小样本的神经网络参数优化选择方法

    7.4.2  基于LVQ3神经网络的表面缺陷识别与分析

    7.4.3  基于支持向量机的表面缺陷识别算法研究

    7.4.4  多缺陷类型的识别总结

参考文献