基于卷积神经网络的微小零件表面缺陷检测技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.1.1 课题来源 | 第10页 |
| 1.1.2 研究目的和意义 | 第10-11页 |
| 1.2 微小零件缺陷检测研究现状 | 第11-12页 |
| 1.3 基于卷积神经网络的计算机视觉研究现状 | 第12-13页 |
| 1.4 主要研究内容 | 第13-15页 |
| 第2章 微小零件检测总体方案设计 | 第15-25页 |
| 2.1 系统构成与工作原理 | 第15-18页 |
| 2.1.1 检测总体方案设计 | 第15页 |
| 2.1.2 检测系统构成 | 第15-16页 |
| 2.1.3 检测系统工作流程 | 第16-18页 |
| 2.2 硬件选择 | 第18-23页 |
| 2.2.1 相机选择 | 第18-19页 |
| 2.2.2 显微设备选择 | 第19-22页 |
| 2.2.3 三自由度微动平台 | 第22-23页 |
| 2.3 软件选择 | 第23-24页 |
| 2.3.1 图像预处理 | 第23页 |
| 2.3.2 训练与测试平台 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 构建缺陷检测数据集 | 第25-31页 |
| 3.1 图像滤波降噪 | 第25-27页 |
| 3.2 零件表面缺陷分析 | 第27-29页 |
| 3.2.1 缺陷类型 | 第27-28页 |
| 3.2.2 缺陷位置标记 | 第28-29页 |
| 3.3 数据集构建 | 第29-30页 |
| 3.3.1 数据集扩充 | 第29-30页 |
| 3.3.2 数据集划分 | 第30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 缺陷分类卷积神经网络设计 | 第31-49页 |
| 4.1 卷积神经网络理论 | 第31-38页 |
| 4.1.1 网络结构 | 第31-33页 |
| 4.1.2 数据传播过程 | 第33-38页 |
| 4.2 参数更新算法对比与改进 | 第38-41页 |
| 4.2.1 随机梯度下降法 | 第38-39页 |
| 4.2.2 Adam算法 | 第39-40页 |
| 4.2.3 改进的Adam | 第40-41页 |
| 4.3 缺陷分类网络设计与验证 | 第41-48页 |
| 4.3.1 算法性能验证 | 第41-45页 |
| 4.3.2 设计简单分类网络 | 第45-46页 |
| 4.3.3 实验验证分析 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 检测算法原理与实验分析 | 第49-67页 |
| 5.1 Faster R-CNN目标检测网络 | 第50-56页 |
| 5.1.1 网络构成 | 第50-53页 |
| 5.1.2 多任务损失函数 | 第53-56页 |
| 5.2 网络训练策略 | 第56-57页 |
| 5.2.1 交替训练 | 第56-57页 |
| 5.2.2 性能判别标准 | 第57页 |
| 5.3 基于改进网络的Faster R-CNN | 第57-63页 |
| 5.3.1 实验环境与平台 | 第58页 |
| 5.3.2 改进网络结构 | 第58-61页 |
| 5.3.3 网络训练结果对比 | 第61-63页 |
| 5.4 对缺陷的检测实验与分析 | 第63-66页 |
| 5.4.1 特征提取卷积网络预训练 | 第63-64页 |
| 5.4.2 对缺陷的检测结果 | 第64-66页 |
| 5.5 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间发表的学术论文和获得的专利 | 第73-74页 |
| 致谢 | 第74页 |
