基于全卷积神经网络的表面缺陷检测方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题背景及研究的目的和意义 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于人工定制规则的方式 | 第11页 |
| 1.2.2 基于模式分类的方式 | 第11-12页 |
| 1.2.3 基于浅层学习的方式 | 第12页 |
| 1.2.4 基于深度学习的方式 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-16页 |
| 第2章 基于全卷积神经网络的缺陷检测 | 第16-35页 |
| 2.1 全卷积神经网络 | 第16-22页 |
| 2.1.1 全卷积网络的结构特点 | 第16-18页 |
| 2.1.2 全卷积神经网络转换 | 第18-20页 |
| 2.1.3 优化过程及优点 | 第20-22页 |
| 2.2 缺陷检测算法流程 | 第22-24页 |
| 2.3 缺陷区域粗分割 | 第24-29页 |
| 2.3.1 数据增强与预处理 | 第24-25页 |
| 2.3.2 缺陷粗分割网络结构设计 | 第25-28页 |
| 2.3.3 缺陷粗分割网络的训练以及预测 | 第28-29页 |
| 2.4 分割结果矫正 | 第29-32页 |
| 2.4.1 检测网络结构设计 | 第30-31页 |
| 2.4.2 检测网络的训练过程 | 第31-32页 |
| 2.5 分割结果调优 | 第32-33页 |
| 2.6 本章小结 | 第33-35页 |
| 第3章 表面缺陷检测算法优化 | 第35-42页 |
| 3.1 卷积计算优化 | 第35-37页 |
| 3.2 池化层优化 | 第37-38页 |
| 3.3 反卷积计算优化 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 实验结果与分析 | 第42-54页 |
| 4.1 评估准则 | 第42-43页 |
| 4.2 算法实验结果及分析 | 第43-53页 |
| 4.2.1 和同类算法的性能对比实验 | 第44-47页 |
| 4.2.2 算法改良对比实验 | 第47-48页 |
| 4.2.3 导向滤波调优实验 | 第48页 |
| 4.2.4 网络结构设计实验 | 第48-49页 |
| 4.2.5 算法鲁棒性实验 | 第49-51页 |
| 4.2.6 和传统方法对比实验 | 第51-53页 |
| 4.3 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-61页 |
| 致谢 | 第61页 |
