板材矫直机智能控制及应用

1 (p1): 前言
1 (p2): 第1章 绪论
1 (p3): 1.1 研究背景和意义
2 (p4): 1.2 国内外研究现状及存在的问题
2 (p5): 1.2.1 矫直机工业控制现状
4 (p6): 1.2.2 板形检测研究现状
4 (p7): 1.2.3 目前研究中存在的问题
5 (p8): 1.3 研究的主要工作及内容
8 (p9): 第2章 板材矫直机智能控制系统的相关技术
8 (p10): 2.1 连续式拉伸弯曲矫直机的原理及结构
8 (p11): 2.1.1 连续式拉伸弯曲矫直机的矫直原理
10 (p12): 2.1.2 连续式拉伸弯曲矫直机的组成结构
10 (p13): 2.2 板形及检测技术
11 (p14): 2.2.1 板形的描述方法
14 (p15): 2.2.2 基于结构光的板形检测技术
16 (p16): 2.3 图像采集及处理技术
16 (p17): 2.3.1 基于DirectShow的视频采集技术
18 (p18): 2.3.2 图像处理技术
20 (p19): 2.3.3 图像边缘检测技术
28 (p20): 2.4 智能控制技术
28 (p21): 2.4.1 人工神经网络的BP模型
30 (p22): 2.4.2 支持向量机
31 (p23): 2.4.3 统计学习理论
33 (p24): 2.4.4 支持向量机的原理
37 (p25): 2.4.5 支持向量机的关键参数
39 (p26): 2.4.6 支持向量机的特点
39 (p27): 2.4.7 遗传算法
41 (p28): 2.4.8 遗传算法的原理
42 (p29): 2.4.9 遗传算法的特点
44 (p30): 2.5 本章小结
46 (p31): 第3章 矫直机智能控制系统
46 (p32): 3.1 传统板形样本获取方法应用于智能控制的局限性
47 (p33): 3.2 矫直机的智能控制系统需求
48 (p34): 3.3 矫直机的智能控制系统设计
50 (p35): 3.4 本章小结
51 (p36): 第4章 基于激光测量的板形样本获取方法研究
51 (p37): 4.1 参数选择系统对板形数据的要求
52 (p38): 4.2 板形样本获取方法的研究
52 (p39): 4.2.1 激光三角法测量技术针对线板形检测应用的改进
54 (p40): 4.2.2 几种主要板形检测方法比较
54 (p41): 4.2.3 板形样本的特征模式
56 (p42): 4.3 样本筛选
57 (p43): 4.4 板形样本获取方案
58 (p44): 4.4.1 板形样本获取系统组成
60 (p45): 4.4.2 板形样本获取系统的处理流程
62 (p46): 4.5 本章小结
63 (p47): 第5章 激光板形检测中关键问题分析
65 (p48): 5.1 激光板形检测方法中边缘检测算法的研究
65 (p49): 5.1.1 经典边缘检测算法
69 (p50): 5.1.2 Canny边缘检测算法
70 (p51): 5.1.3 基于小波的多尺度边缘检测算法
74 (p52): 5.2 一种基于图像清晰度评价的边缘检测算法（ISEED）的研究
74 (p53): 5.2.1 图像清晰度评价算法
78 (p54): 5.2.2 改进的灰度差分边缘检测算法
80 (p55): 5.2.3 改进的Canny边缘检测算法
84 (p56): 5.2.4 一种基于图像清晰度评价的边缘检测算法的提出
85 (p57): 5.2.5 ISEED算法的边缘检测结果
86 (p58): 5.3 基于ISEED算法的激光板形检测方法
86 (p59): 5.4 本章小结
88 (p60): 第6章 板形样本获取系统的设计与实现
88 (p61): 6.1 板形样本获取系统详细设计
88 (p62): 6.1.1 图像采集模块设计
90 (p63): 6.1.2 图像处理模块设计
96 (p64): 6.1.3 伸长率及三维数据计算模块设计
99 (p65): 6.1.4 板形识别模块设计
100 (p66): 6.1.5 系统控制模块设计
102 (p67): 6.2 板形样本获取系统的实现
102 (p68): 6.2.1 图像处理模块的实现
105 (p69): 6.2.2 数据分析模块的实现
113 (p70): 6.3 本章小结
114 (p71): 第7章 矫直过程知识提取的样本学习算法研究
114 (p72): 7.1 样本学习
114 (p73): 7.1.1 样本的来源
116 (p74): 7.1.2 样本的形式化描述
116 (p75): 7.1.3 样本学习的特征
117 (p76): 7.2…