基于深度学习的金刚石锯片裂纹识别分类方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 裂纹识别研究现状 | 第11-12页 |
| 1.2.2 深度学习的研究现状 | 第12-13页 |
| 1.3 本文研究内容 | 第13-15页 |
| 第2章 金刚石锯片裂纹识别的方法 | 第15-26页 |
| 2.1 金刚石锯片裂纹的成因及种类 | 第15-16页 |
| 2.2 整体研究方案 | 第16-17页 |
| 2.3 深度学习基本认识 | 第17-19页 |
| 2.4 卷积神经网络CNN | 第19-24页 |
| 2.4.1 CNN特点 | 第19-20页 |
| 2.4.2 CNN网络结构 | 第20-24页 |
| 2.4.3 CNN识别方法 | 第24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 金刚石锯片样本图像预处理 | 第26-39页 |
| 3.1 图像质量的评价 | 第26-27页 |
| 3.2 金刚石锯片图像灰度化处理 | 第27-28页 |
| 3.3 金刚石锯片图像去噪算法的改进 | 第28-38页 |
| 3.3.1 中值滤波 | 第28页 |
| 3.3.2 双边滤波算法的一次改进 | 第28-32页 |
| 3.3.3 NLM滤波算法的改进 | 第32-35页 |
| 3.3.4 双边滤波算法的二次改进 | 第35-36页 |
| 3.3.5 实验分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 金刚石锯片深度学习模型 | 第39-59页 |
| 4.1 金刚石锯片样本集建立 | 第39-41页 |
| 4.1.1 图像归一化 | 第39-40页 |
| 4.1.2 样本增强 | 第40-41页 |
| 4.2 CNN结构设计 | 第41-43页 |
| 4.3 梯度下降法训练模型 | 第43-48页 |
| 4.4 算法优化 | 第48-52页 |
| 4.4.1 激活函数改进 | 第48-51页 |
| 4.4.2 学习率自适应优化 | 第51-52页 |
| 4.5 预训练模型的微调 | 第52-53页 |
| 4.6 实验与分析 | 第53-58页 |
| 4.6.1 实验环境 | 第53页 |
| 4.6.2 评价标准 | 第53页 |
| 4.6.3 实验结果与分析 | 第53-58页 |
| 4.7 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读学位期间的学术成果 | 第63-64页 |
| 致谢 | 第64页 |
