深度学习算法在表面缺陷识别中的应用研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-18页 |
| ·课题研究背景和意义 | 第10-11页 |
| ·国内外研究现状 | 第11-16页 |
| ·语音信号处理领域 | 第11-12页 |
| ·图像视频处理领域 | 第12-13页 |
| ·自然语言处理领域 | 第13-14页 |
| ·表面缺陷识别 | 第14-16页 |
| ·论文研究内容及章节安排 | 第16-18页 |
| 第2章 深度学习理论基础 | 第18-28页 |
| ·深度学习简介及其发展历史 | 第18-20页 |
| ·深度学习简介 | 第18-19页 |
| ·深度学习发展历史 | 第19-20页 |
| ·深度学习定义及其特点 | 第20-22页 |
| ·深度学习基本思想 | 第20-21页 |
| ·深度学习的特点 | 第21-22页 |
| ·深度学习神经网络模型 | 第22-27页 |
| ·自编码神经网络 | 第22-25页 |
| ·生成型深度神经网络模型 | 第25-26页 |
| ·区分型深度神经网络模型 | 第26-27页 |
| ·混合型深度神经网络模型 | 第27页 |
| ·本章小结 | 第27-28页 |
| 第3章 基于CNN的表面缺陷识别 | 第28-42页 |
| ·CNN发展历史简介 | 第28-29页 |
| ·CNN深度学习模型基本概念 | 第29-36页 |
| ·卷积神经网络结构 | 第29-31页 |
| ·卷积神经网络典型结构LeNet-5 | 第31-33页 |
| ·训练算法 | 第33-36页 |
| ·卷积神经网络应用于缺陷识别 | 第36-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 基于DBNS的表面缺陷识别 | 第42-57页 |
| ·RBM模型基本概念及相关算法 | 第42-49页 |
| ·RBM模型简介 | 第42-44页 |
| ·RBM学习算法 | 第44-46页 |
| ·RBM模型中Gibbs采样 | 第46页 |
| ·基于对比散度学习方法 | 第46-48页 |
| ·RBM评估算法 | 第48-49页 |
| ·DBNS深度学习模型 | 第49-51页 |
| ·DBNs模型结构 | 第49-50页 |
| ·DBNs训练方法 | 第50-51页 |
| ·基于DBNS的表面缺陷识别 | 第51-52页 |
| ·实验结果分析与比较 | 第52-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 基于深度卷积信念网络的表面缺陷识别方法 | 第57-70页 |
| ·CRBM基本概念 | 第57-59页 |
| ·CRBM简介 | 第57-58页 |
| ·CRBM训练方法 | 第58-59页 |
| ·DCBN模型 | 第59-62页 |
| ·DCBN结构设计 | 第59-61页 |
| ·DCBN训练方法 | 第61-62页 |
| ·基于DCBN的表面缺陷识别 | 第62-63页 |
| ·实验结果分析与比较 | 第63-69页 |
| ·本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| ·总结 | 第70-71页 |
| ·展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77-78页 |
| 攻读学位期间参加的科研项目和成果 | 第78页 |
