| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.2.3 缺陷检测与识别算法存在的问题及解决思路分析 | 第13-14页 |
| 1.3 课题研究的目的和意义 | 第14页 |
| 1.4 课题研究的主要内容 | 第14-16页 |
| 第二章 基于纹理异常分析的带钢表面缺陷检测 | 第16-34页 |
| 2.1 缺陷检测方法简介 | 第16-17页 |
| 2.2 多尺度LBP缺陷检测方法 | 第17-23页 |
| 2.2.1 缺陷可疑点检测 | 第18-19页 |
| 2.2.2 LBP特征编码空间 | 第19-22页 |
| 2.2.3 缺陷区域合并 | 第22-23页 |
| 2.3 SVD-LBPH算法 | 第23-29页 |
| 2.3.1 奇异值分解 | 第24-25页 |
| 2.3.2 LBPH算法 | 第25-26页 |
| 2.3.3 SVD-LBPH缺陷检测 | 第26-29页 |
| 2.4 实验结果分析 | 第29-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于卷积神经网络的带钢表面缺陷检测 | 第34-43页 |
| 3.1 基于卷积神经网络（CNN）的缺陷检测方法 | 第35-40页 |
| 3.1.1 卷积神经网络结构 | 第35-36页 |
| 3.1.2 卷积神经网络权值更新 | 第36-39页 |
| 3.1.3 样本创建 | 第39页 |
| 3.1.4 缺陷检测 | 第39-40页 |
| 3.2 实验结果分析 | 第40-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第四章 带钢表面缺陷特征提取与识别 | 第43-59页 |
| 4.1 缺陷特征提取 | 第43-48页 |
| 4.1.1 灰度特征 | 第44页 |
| 4.1.2 投影特征 | 第44-45页 |
| 4.1.3 灰度共生阵 | 第45-47页 |
| 4.1.4 频域特征 | 第47-48页 |
| 4.2 改进的ReliefF特征筛选方法 | 第48-51页 |
| 4.3 支持向量机分类算法 | 第51-54页 |
| 4.4 缺陷识别 | 第54-55页 |
| 4.5 实验结果分析 | 第55-58页 |
| 4.5.1 特征筛选性能分析 | 第55-57页 |
| 4.5.2 分类性能分析 | 第57-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 攻读学位期间所取得的相关科研成果 | 第67-68页 |
| 致谢 | 第68页 |