深度学习在精密铸件缺陷检测中的研究与应用
| 中文摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 深度学习的研究现状 | 第8-10页 |
| 1.3 磁粉检测技术研究现状 | 第10-11页 |
| 1.4 课题主要研究内容 | 第11-12页 |
| 第二章 深度学习环境构建 | 第12-26页 |
| 2.1 硬件操作环境的选择及简介 | 第12-14页 |
| 2.2 软件操作环境的选择及简介 | 第14-16页 |
| 2.2.1 Caffe简介 | 第14-15页 |
| 2.2.2 Caffe的安装 | 第15-16页 |
| 2.3 深度学习卷积神经网络结构 | 第16-22页 |
| 2.4 网络结构搭建 | 第22-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 深度学习在磁粉缺陷检测中的应用 | 第26-44页 |
| 3.1 样本介绍 | 第26-28页 |
| 3.2 验证网络架构的性能 | 第28-31页 |
| 3.2.1 数据准备 | 第29页 |
| 3.2.2 创建数据库 | 第29-30页 |
| 3.2.3 超参数设置 | 第30-31页 |
| 3.2.4 训练结果 | 第31页 |
| 3.3 网络参数及结构的优化 | 第31-42页 |
| 3.3.1 超参数对网络模型性能的影响 | 第31-33页 |
| 3.3.2 卷积核尺寸对网络模型的影响 | 第33-35页 |
| 3.3.3 网络层数对网络性能及时间成本的影响 | 第35-37页 |
| 3.3.4 池化方式对网络模型的影响 | 第37-38页 |
| 3.3.5 实验结果对比分析 | 第38-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 网络模型的嵌入式移植 | 第44-56页 |
| 4.1 系统设计目标 | 第44页 |
| 4.1.1 系统功能需求 | 第44页 |
| 4.1.2 系统性能指标 | 第44页 |
| 4.2 硬件系统示意图 | 第44-49页 |
| 4.3.1 照明设备 | 第45-46页 |
| 4.3.2 摄像机选择 | 第46-47页 |
| 4.3.3 图像采集卡选择 | 第47页 |
| 4.3.4 嵌入式系统选择 | 第47-49页 |
| 4.3 嵌入式系统的环境的建立 | 第49-52页 |
| 4.3.1 嵌入式系统的硬件开发 | 第49-50页 |
| 4.3.2 嵌入式系统的软件安装 | 第50-52页 |
| 4.4 嵌入式系统的性能测试 | 第52-54页 |
| 4.5 总结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64页 |
