中文摘要 | 第4-6页 |
abstract | 第6-7页 |
第一章 绪论 | 第10-18页 |
1.1 课题研究背景及意义 | 第10-11页 |
1.2 国内外研究现状分析 | 第11-15页 |
1.2.1 表面缺陷检测的研究现状 | 第11-13页 |
1.2.2 深度学习的研究现状 | 第13-15页 |
1.3 课题研究目标及内容 | 第15-16页 |
1.4 本文结构安排 | 第16-18页 |
第二章 深度学习网络模型及选择 | 第18-27页 |
2.1 深度学习的思想与特点 | 第18-19页 |
2.2 深度学习网络模型 | 第19-24页 |
2.3 本文网络模型选择 | 第24-26页 |
2.4 本章小结 | 第26-27页 |
第三章 基于CNN的表面缺陷检测方法 | 第27-47页 |
3.1 CNN模型概述 | 第27-32页 |
3.1.1 结构及原理 | 第27-30页 |
3.1.2 训练算法及过程 | 第30-32页 |
3.2 特征提取层的改进与模型设计 | 第32-36页 |
3.2.1 特征提取层的改进 | 第32-33页 |
3.2.2 模型设计与算法优化 | 第33-36页 |
3.3 表面缺陷检测实验及结果分析 | 第36-45页 |
3.3.1 织物图像采集 | 第36页 |
3.3.2 图像数据的标注与处理 | 第36-38页 |
3.3.3 表面缺陷检测实验与分析 | 第38-45页 |
3.4 本章小结 | 第45-47页 |
第四章 基于CNN多层次特征融合的表面缺陷检测方法 | 第47-64页 |
4.1 表面缺陷图像数据集扩展方法 | 第47-54页 |
4.1.1 生成对抗网络概述 | 第48-50页 |
4.1.2 深度卷积对抗网络模型设计 | 第50-54页 |
4.2 多特征融合的网络模型设计 | 第54-56页 |
4.2.1 多层次特征融合的网络结构 | 第54-55页 |
4.2.2 混合池化层的设计 | 第55-56页 |
4.3 表面缺陷检测实验 | 第56-63页 |
4.4 本章小结 | 第63-64页 |
第五章 总结与展望 | 第64-66页 |
5.1 全文总结 | 第64-65页 |
5.2 课题展望 | 第65-66页 |
参考文献 | 第66-71页 |
攻读学位期间本人出版或公开发表的论著、论文 | 第71-72页 |
致谢 | 第72-73页 |