| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 运用图像处理识别缺陷的难点与挑战 | 第11-12页 |
| 1.3 发动机缺陷识别的研究现状 | 第12-13页 |
| 1.4 本文主要工作及安排 | 第13-16页 |
| 第二章 深度学习研究综述 | 第16-27页 |
| 2.1 深度学习引言 | 第16页 |
| 2.2 神经网络模型 | 第16-20页 |
| 2.3 BP神经网络构成 | 第20-22页 |
| 2.4 卷积神经网络 | 第22-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于卷积神经网络的对象识别模型研究 | 第27-43页 |
| 3.1 对象识别技术分析 | 第27-28页 |
| 3.2 R-CNN网络模型 | 第28-32页 |
| 3.2.1 建议窗口生成模块 | 第29页 |
| 3.2.2 CNN特征提取模块 | 第29-30页 |
| 3.2.3 分类模块 | 第30-32页 |
| 3.3 FAST R-CNN网络模型 | 第32-36页 |
| 3.3.1 空间金字塔池化 | 第33页 |
| 3.3.2 Fast R-CNN模型结构 | 第33-34页 |
| 3.3.3 Fast R-CNN微调检测 | 第34-36页 |
| 3.4 FASTER R-CNN网络模型 | 第36-40页 |
| 3.4.1 RPN网络 | 第37-38页 |
| 3.4.2 Faster R-CNN网络模型结构 | 第38-40页 |
| 3.5 SSD网络模型 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 基于FASTER R-CNN与SSD的发动机缺陷识别研究 | 第43-53页 |
| 4.1 引言 | 第43-44页 |
| 4.2 实验仿真环境及模型参数 | 第44页 |
| 4.3 发动机缺陷样本数据集 | 第44-45页 |
| 4.4 基于FASTER R-CNN的发动机缺陷识别 | 第45-48页 |
| 4.4.1 缺陷算法的检测流程 | 第46页 |
| 4.4.2 测试结果 | 第46-48页 |
| 4.5 基于SSD的发动机缺陷识别 | 第48-51页 |
| 4.5.1 缺陷检测算法流程 | 第48-49页 |
| 4.5.2 测试结果 | 第49-51页 |
| 4.6 三个模型的实验结果对比分析 | 第51-52页 |
| 4.7 本章小结 | 第52-53页 |
| 第五章 发动机缺陷识别系统 | 第53-56页 |
| 5.1 系统设计目标 | 第53页 |
| 5.2 系统整体设计及实现 | 第53-55页 |
| 5.2.1 系统总体架构及实现 | 第53-54页 |
| 5.2.2 系统软件界面及功能 | 第54-55页 |
| 5.3 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间取得的研究成果 | 第61-62页 |
| 致谢 | 第62-63页 |
| 附件 | 第63页 |