基于深度学习方法的PCB图像缺陷检测
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究工作的背景与意义 | 第11-14页 |
| 1.2 图像缺陷检测的国内外现状 | 第14-18页 |
| 1.2.1 深度学习的发展历程 | 第14-16页 |
| 1.2.2 图像识别的发展历程 | 第16-18页 |
| 1.3 目标检测发展历程 | 第18页 |
| 1.4 本文的主要贡献与创新 | 第18-20页 |
| 1.5 本论文的结构安排 | 第20-21页 |
| 第二章 相关基础理论知识与关键技术 | 第21-47页 |
| 2.1 DETECTRON2 平台 | 第21页 |
| 2.2 PYTHON语言 | 第21-25页 |
| 2.2.1 Python语言的概况及发展历程 | 第22页 |
| 2.2.2 Python软件包 | 第22-25页 |
| 2.3 神经网络 | 第25-33页 |
| 2.3.1 BP神经网络 | 第25-26页 |
| 2.3.2 卷积神经网络 | 第26-33页 |
| 2.4 目标检测算法 | 第33-46页 |
| 2.4.1 R-CNN算法 | 第34-36页 |
| 2.4.2 Fast R-CNN算法 | 第36-40页 |
| 2.4.3 Faster R-CNN算法 | 第40-43页 |
| 2.4.4 Mask R-CNN算法 | 第43-46页 |
| 2.5 PCB缺陷检测流程 | 第46页 |
| 2.6 本章小结 | 第46-47页 |
| 第三章 数据预处理 | 第47-61页 |
| 3.1 原始图片数据的分析与整理 | 第47-53页 |
| 3.2 训练集图像缺陷定位 | 第53-54页 |
| 3.3 对于模糊图片以及无缺陷图片处理 | 第54-55页 |
| 3.4 标注前后对比图 | 第55-59页 |
| 3.5 将数据集转为COCO数据集格式 | 第59页 |
| 3.6 本章小结 | 第59-61页 |
| 第四章 PCB图像目标缺陷检测 | 第61-81页 |
| 4.1 DETECTRON2 平台环境的搭建 | 第61-62页 |
| 4.2 算法框架设计 | 第62-65页 |
| 4.2.1 算法框架的选择 | 第62页 |
| 4.2.2 主干网络的选择 | 第62-63页 |
| 4.2.3 评判指标mAP的计算 | 第63-65页 |
| 4.3 PCB缺陷检测模型训练 | 第65-74页 |
| 4.3.1 注册COCO数据集 | 第65-66页 |
| 4.3.2 实验设计 | 第66-67页 |
| 4.3.3 实验结果 | 第67-73页 |
| 4.3.4 缺陷识别 | 第73-74页 |
| 4.4 PCB图像缺陷检测模型 | 第74-80页 |
| 4.5 本章小结 | 第80-81页 |
| 第五章 全文总结与展望 | 第81-83页 |
| 5.1 全文总结 | 第81-82页 |
| 5.2 未来工作展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-87页 |
