| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景 | 第9页 |
| 1.2 带钢表面缺陷自动化检测意义 | 第9-10页 |
| 1.2.1 宏观意义 | 第9页 |
| 1.2.2 实际意义 | 第9-10页 |
| 1.3 国内外研究发展及现状 | 第10-13页 |
| 1.3.1 带钢缺陷检测方法的发展 | 第10-11页 |
| 1.3.2 国外研究现状 | 第11-12页 |
| 1.3.3 国内研究现状 | 第12-13页 |
| 1.4 人工智能在图像识别领域的发展及应用 | 第13页 |
| 1.5 本文的主要研究内容及组织结构安排 | 第13-15页 |
| 2 深度学习理论分析 | 第15-23页 |
| 2.1 深度学习概述 | 第15-16页 |
| 2.2 深度学习典型模型 | 第16-17页 |
| 2.3 卷积神经网络 | 第17-22页 |
| 2.3.1 单隐层前馈神经网络 | 第17-19页 |
| 2.3.2 卷积神经网络基本概念 | 第19页 |
| 2.3.3 VGG-net卷积神经网络 | 第19-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于深度学习的检测算法 | 第23-33页 |
| 3.1 智能制造中质量检测算法分析 | 第23页 |
| 3.1.1 传统检测算法 | 第23页 |
| 3.1.2 深度学习检测算法 | 第23页 |
| 3.2 基于深度学习R-CNN网络的检测算法分析 | 第23-26页 |
| 3.2.1 R-CNN网络的结构分析 | 第23-25页 |
| 3.2.2 R-CNN网络训练步骤 | 第25-26页 |
| 3.3 基于深度学习Fast R-CNN网络的检测算法分析 | 第26-29页 |
| 3.3.1 Fast R-CNN网络结构分析 | 第26-27页 |
| 3.3.2 Fast R-CNN网络损失函数定义及训练步骤 | 第27-29页 |
| 3.4 基于深度学习Faster R-CNN网络的检测算法分析 | 第29-32页 |
| 3.4.1 Faster R-CNN网络结构分析 | 第29-30页 |
| 3.4.2 Faster R-CNN网络的损失函数定义及训练步骤 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 4 面向带钢缺陷检测的深度学习算法 | 第33-45页 |
| 4.1 训练数据集准备 | 第33-35页 |
| 4.1.1 训练样本中带钢表面各缺陷种类 | 第33页 |
| 4.1.2 增广数据集 | 第33-35页 |
| 4.1.3 人工标记grand truth | 第35页 |
| 4.2 带钢表面缺陷检测网络的构建 | 第35-38页 |
| 4.2.1 带钢表面缺陷检测网络结构设计 | 第35-36页 |
| 4.2.2 特征提取网络的改进 | 第36-38页 |
| 4.3 带钢表面缺陷检测网络的训练及参数优化 | 第38-43页 |
| 4.3.1 迁移学习(Transfer Learning) | 第38-39页 |
| 4.3.2 训练候选框生成网络 | 第39-41页 |
| 4.3.3 训练缺陷识别与定位网络 | 第41-43页 |
| 4.4 本章小结 | 第43-45页 |
| 5 带钢缺陷检测算法试验与结果分析 | 第45-53页 |
| 5.1 带钢表面缺陷自动检测系统设计 | 第45-47页 |
| 5.1.1 带钢表面缺陷自动检测系统原理及功能 | 第45-46页 |
| 5.1.2 带钢表面缺陷检测系统的搭建 | 第46-47页 |
| 5.2 带钢表面缺陷检测算法测试及有效性分析 | 第47-52页 |
| 5.3 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 作者攻读学位期间发表学术论文清单 | 第59-61页 |
| 致谢 | 第61页 |
