基于卷积神经网络的矽钢片缺陷分类与定位研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本论文的主要工作 | 第14-15页 |
| 1.4 本论文的结构与安排 | 第15-16页 |
| 第2章 矽钢片缺陷分类与定位系统 | 第16-26页 |
| 2.1 矽钢片的缺陷特征与分类 | 第16-19页 |
| 2.2 矽钢片缺陷分类与定位系统整体结构 | 第19-21页 |
| 2.3 矽钢片缺陷分类模型 | 第21-23页 |
| 2.3.1 缺陷分类模型的设计结构 | 第21页 |
| 2.3.2 缺陷分类模型的设计流程 | 第21-23页 |
| 2.4 矽钢片白点定位模型 | 第23-25页 |
| 2.4.1 白点定位模型的设计结构 | 第23页 |
| 2.4.2 白点定位模型的设计流程 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 卷积神经网络在图像分类中的方法 | 第26-36页 |
| 3.1 神经网络 | 第26-27页 |
| 3.1.1 神经网络的结构 | 第26页 |
| 3.1.2 神经元 | 第26-27页 |
| 3.1.3 激活函数 | 第27页 |
| 3.2 卷积神经网络的架构 | 第27-28页 |
| 3.3 反向传播与输出分类 | 第28-32页 |
| 3.2.1 反向传播算法 | 第29-31页 |
| 3.2.2 Logistic回归 | 第31页 |
| 3.2.3 Softmax分类 | 第31-32页 |
| 3.4 特征处理方法 | 第32-34页 |
| 3.4.1 卷积 | 第32页 |
| 3.4.2 局部感知 | 第32-33页 |
| 3.4.3 权值共享 | 第33页 |
| 3.4.4 多卷积核 | 第33-34页 |
| 3.4.5 池化 | 第34页 |
| 3.5 卷积神经网络与传统图像分类对比 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 R-CNN在目标定位中的方法 | 第36-45页 |
| 4.1 R-CNN目标定位的流程结构 | 第36-37页 |
| 4.2 候选区域推荐 | 第37-39页 |
| 4.2.1 相似度的计算 | 第38-39页 |
| 4.3 卷积神经网络特征提取 | 第39页 |
| 4.4 类别判断 | 第39-42页 |
| 4.4.1 支持向量机 | 第39-42页 |
| 4.5 位置精确 | 第42-43页 |
| 4.6 R-CNN的方法改进 | 第43-44页 |
| 4.7 本章小结 | 第44-45页 |
| 第5章 矽钢片缺陷分类与定位模型的设计与实现 | 第45-71页 |
| 5.1 矽钢片缺陷分类模型的设计 | 第45-56页 |
| 5.1.1 数据输入层的设计 | 第45页 |
| 5.1.2 卷积层的设计 | 第45-48页 |
| 5.1.3 全连接层的设计 | 第48-49页 |
| 5.1.4 输出分类层的设计 | 第49-50页 |
| 5.1.5 网络结构与参数优化 | 第50-56页 |
| 5.2 深度学习框架Caffe | 第56-58页 |
| 5.2.1 Caffe的简介 | 第56页 |
| 5.2.2 Caffe的三级结构 | 第56-58页 |
| 5.3 矽钢片缺陷分类模型的实现 | 第58-66页 |
| 5.3.1 矽钢片缺陷分类模型的训练 | 第58-61页 |
| 5.3.2 矽钢片缺陷分类模型的测试 | 第61-63页 |
| 5.3.3 特征图可视化 | 第63-66页 |
| 5.4 矽钢片白点定位模型的实现 | 第66-70页 |
| 5.4.1 矽钢片白点定位模型的训练 | 第66-68页 |
| 5.4.2 矽钢片白点定位模型的测试 | 第68-70页 |
| 5.5 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-76页 |
| 攻读学位期间取得学术成果 | 第76页 |
