| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 国内外漏磁检测缺陷识别技术发展及现状 | 第10-13页 |
| 1.2.1 国外漏磁检测缺陷识别发展及现状 | 第11页 |
| 1.2.2 国内漏磁检测缺陷识别发展及现状 | 第11-13页 |
| 1.3 人工智能技术发展及现状 | 第13-15页 |
| 1.4 课题研究的主要内容及论文的章节安排 | 第15-17页 |
| 1.4.1 课题研究的主要内容 | 第15-16页 |
| 1.4.2 论文的章节安排 | 第16-17页 |
| 第2章 深度学习理论 | 第17-34页 |
| 2.1 神经网络基本原理 | 第17-26页 |
| 2.1.1 神经元数学结构模型 | 第18-20页 |
| 2.1.2 神经网络中的参数更新方法 | 第20-23页 |
| 2.1.3 随机梯度下降算法 | 第23-24页 |
| 2.1.4 单隐层神经网络数学模型 | 第24-26页 |
| 2.2 深度学习中的正则化 | 第26-28页 |
| 2.2.1 参数范数惩罚 | 第26-27页 |
| 2.2.2 数据集增强 | 第27-28页 |
| 2.2.3 多任务学习方法 | 第28页 |
| 2.3 深度神经网络 | 第28-33页 |
| 2.3.1 深度前馈神经网络 | 第29-31页 |
| 2.3.2 反向传播算法 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 管道漏磁内检测数据集 | 第34-46页 |
| 3.1 管道漏磁内检测原理 | 第34-39页 |
| 3.1.1 管道壁中漏磁场的形成及分析 | 第35-36页 |
| 3.1.2 漏磁场的理论计算 | 第36-38页 |
| 3.1.3 漏磁场的分布 | 第38-39页 |
| 3.2 管道漏磁内检数据分析 | 第39-44页 |
| 3.2.1 漏磁信号的数据格式 | 第40-41页 |
| 3.2.2 管道漏磁曲线图像 | 第41-44页 |
| 3.3 漏磁曲线图像数据集 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 深度卷积神经网络结构设计 | 第46-58页 |
| 4.1 卷积运算原理 | 第48-52页 |
| 4.1.1 卷积神经网络的稀疏连接 | 第50-51页 |
| 4.1.2 卷积神经网络的参数共享与平移等变性质 | 第51-52页 |
| 4.2 卷积神经网络的池化层 | 第52-54页 |
| 4.3 基于管道漏磁图像数据集的卷积神经网络结构设计 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 实验结果及分析 | 第58-69页 |
| 5.1 深度学习框架Tensorflow工作原理 | 第58-59页 |
| 5.2 基于TensorFlow的卷积神经网络模型实现 | 第59-62页 |
| 5.3 管道漏磁曲线图像数据集训练 | 第62-68页 |
| 5.3.1 第一次训练结果及误差分析 | 第64-65页 |
| 5.3.2 第二次训练结果及误差分析 | 第65-66页 |
| 5.3.3 第三次训练结果及误差分析 | 第66-67页 |
| 5.3.4 第四次训练结果及误差分析 | 第67页 |
| 5.3.5 测试数据集的验证 | 第67-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第6章 结论 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 在学研究成果 | 第73-74页 |
| 致谢 | 第74页 |