基于深度学习的磁片表面缺陷检测研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 机器视觉算法国内外研究现状 | 第12-13页 |
| 1.2.2 深度学习在缺陷检测中的研究现状 | 第13-14页 |
| 1.3 本文主要内容和论文架构 | 第14-16页 |
| 第2章 深度学习在缺陷检测中的应用 | 第16-27页 |
| 2.1 缺陷检测的基本原理 | 第16-17页 |
| 2.2 深度学习基本理论 | 第17页 |
| 2.3 卷积神经网络 | 第17-26页 |
| 2.3.1 神经网络模型 | 第17-19页 |
| 2.3.2 卷积神经网络 | 第19-22页 |
| 2.3.3 卷积神经网络的训练过程 | 第22-23页 |
| 2.3.4 softmax 回归 | 第23-24页 |
| 2.3.5 TensorFlow 介绍 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于深度学习的磁片表面缺陷研究 | 第27-44页 |
| 3.1 引言 | 第27-28页 |
| 3.2 基于深度学习的缺陷检测算法 | 第28页 |
| 3.3 图像预处理 | 第28-32页 |
| 3.3.1 背景分割 | 第29-30页 |
| 3.3.2 图像增强 | 第30-31页 |
| 3.3.3 图像分块 | 第31-32页 |
| 3.4 卷积神经网络 | 第32-38页 |
| 3.4.1 网络结构 | 第32-36页 |
| 3.4.2 防止过拟合 | 第36-38页 |
| 3.5 实验过程与结果 | 第38-43页 |
| 3.5.1 实验过程 | 第38-41页 |
| 3.5.2 对比实验 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于主动学习的训练过程优化 | 第44-51页 |
| 4.1 引言 | 第44页 |
| 4.2 主动学习算法 | 第44-48页 |
| 4.2.1 主动学习算法流程 | 第44-46页 |
| 4.2.2 主动学习常见的方法 | 第46-48页 |
| 4.3本文算法与实验 | 第48-50页 |
| 4.3.1 基于不确定性和多样性的主动学习方法 | 第48-49页 |
| 4.3.2 主动学习实验分析 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 缺陷检测软件设计 | 第51-54页 |
| 5.1 需求分析 | 第51页 |
| 5.2 客户端与服务端 | 第51-53页 |
| 5.2.1 客户端 | 第51-52页 |
| 5.2.2 服务端 | 第52-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间参加的科研项目和成果 | 第61页 |
