| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题背景及研究目的与意义 | 第12-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-18页 |
| 第2章 图像获取与数据集准备 | 第18-26页 |
| 2.1 图像获取 | 第18-23页 |
| 2.1.1 光源设计 | 第18-20页 |
| 2.1.2 图像采集系统 | 第20-23页 |
| 2.2 数据集准备 | 第23-25页 |
| 2.2.1 类别标注 | 第23-24页 |
| 2.2.2 数据集分割 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 基于机器视觉的钣金折弯件弯角处微裂纹分类 | 第26-36页 |
| 3.1 图像预处理 | 第26-28页 |
| 3.1.1 图像增强 | 第26-27页 |
| 3.1.2 ROI提取 | 第27-28页 |
| 3.2 基于灰度特征的微裂纹分类 | 第28-30页 |
| 3.3 基于纹理分析的微裂纹分类 | 第30-32页 |
| 3.4 实验结果与分析 | 第32-34页 |
| 3.5 本章总结 | 第34-36页 |
| 第4章 基于卷积神经网络的钣金折弯件弯角处微裂纹分类 | 第36-54页 |
| 4.1 浅层学习与深度学习 | 第36-40页 |
| 4.1.1 浅层学习 | 第36-38页 |
| 4.1.2 深度学习 | 第38-40页 |
| 4.2 卷积神经网络概述 | 第40-43页 |
| 4.3 卷积神经网络模型设计 | 第43-46页 |
| 4.4 基于Tensorflow框架的训练和测试过程 | 第46-50页 |
| 4.4.1 Tensorflow介绍 | 第46-47页 |
| 4.4.2 图像预处理 | 第47-48页 |
| 4.4.3 实验过程 | 第48-50页 |
| 4.5 实验结果及分析 | 第50-52页 |
| 4.6 本章小结 | 第52-54页 |
| 第5章 基于迁移学习的钣金折弯件弯角处微裂纹分类 | 第54-69页 |
| 5.1 迁移学习概述 | 第54-56页 |
| 5.2 Inception-V3概述 | 第56-57页 |
| 5.3 基于Inception-V3模型的迁移学习方法的实现 | 第57-58页 |
| 5.4 迁移学习实验与结果 | 第58-66页 |
| 5.4.1 使用SVM算法分类研究 | 第58-62页 |
| 5.4.2 使用KNN算法分类研究 | 第62-64页 |
| 5.4.3 使用MLP分类研究 | 第64-66页 |
| 5.5 结果对比 | 第66-68页 |
| 5.6 本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69页 |
| 6.2 工作展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间主要的研究成果 | 第76页 |
