| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 选题背景与研究意义 | 第9-10页 |
| 1.2 课题难点 | 第10-11页 |
| 1.3 缺陷检测算法研究现状 | 第11-13页 |
| 1.4 论文主要工作 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 基于卷积神经网络的缺陷定位 | 第15-31页 |
| 2.1 卷积神经网络概述 | 第15-19页 |
| 2.1.1 神经元 | 第15-17页 |
| 2.1.2 神经网络的学习过程 | 第17-18页 |
| 2.1.3 卷积神经网络 | 第18-19页 |
| 2.2 R-CNN | 第19-22页 |
| 2.3 Fast R-CNN | 第22-24页 |
| 2.4 Faster R-CNN | 第24-26页 |
| 2.4.1 候选区域网络(RPN) | 第25页 |
| 2.4.2 RPN的训练 | 第25-26页 |
| 2.4.3 共享卷积特征图 | 第26页 |
| 2.5 多路Faster R-CNN | 第26-30页 |
| 2.5.1 基于多路Faster R-CNN的金属弧面工件缺陷检测 | 第26-27页 |
| 2.5.2 实验结果与分析 | 第27-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 基于复杂度的结构误检区域排除方法 | 第31-47页 |
| 3.1 结构误检区域与表面区域 | 第31页 |
| 3.2 复杂度 | 第31-33页 |
| 3.3 基于灰度直方图的图像复杂度计算 | 第33-35页 |
| 3.4 基于多因子的图像复杂度计算 | 第35-45页 |
| 3.4.1 图像信息熵 | 第35-36页 |
| 3.4.2 图像的纹理特征 | 第36-38页 |
| 3.4.3 边缘比率 | 第38-40页 |
| 3.4.4 基于最大灰度差图像的假边缘抑制算法 | 第40-42页 |
| 3.4.5 结构误检区域排除 | 第42页 |
| 3.4.6 实验结果与分析 | 第42-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 基于阈值面的缺陷提取方法 | 第47-62页 |
| 4.1 亮度平衡 | 第47-48页 |
| 4.2 双边滤波 | 第48-49页 |
| 4.3 基于小波变换的图像增强 | 第49-51页 |
| 4.3.1 小波图像增强 | 第50页 |
| 4.3.2 改进的小波图像增强算法 | 第50-51页 |
| 4.4 缺陷提取算法 | 第51-58页 |
| 4.4.1 最大类间方差法 | 第52页 |
| 4.4.2 阈值面法 | 第52-58页 |
| 4.5 实验结果与分析 | 第58-61页 |
| 4.6 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69-70页 |
| 附件 | 第70页 |