| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第13-30页 |
| 1.1 课题背景与意义 | 第13-14页 |
| 1.2 图像目标检测 | 第14-19页 |
| 1.2.1 定义和流程 | 第14-15页 |
| 1.2.2 研究现状 | 第15-19页 |
| 1.3 PCB CT图像目标检测 | 第19-28页 |
| 1.3.1 PCB导线特点及相关检测方法 | 第19-24页 |
| 1.3.2 人类视觉注意机制对导线检测的启发 | 第24-27页 |
| 1.3.3 PCB CT图像数据集和评价准则 | 第27-28页 |
| 1.4 本文主要工作和结构安排 | 第28-30页 |
| 第二章 基于边缘保持超像素分割的导线检测算法 | 第30-42页 |
| 2.1 引言 | 第30页 |
| 2.2 GS超像素分割算法 | 第30-31页 |
| 2.3 基于EPGS的导线检测算法 | 第31-34页 |
| 2.3.1 EPGS超像素分割算法 | 第32-33页 |
| 2.3.2 线型和亮度特征 | 第33-34页 |
| 2.4 实验结果及分析 | 第34-40页 |
| 2.4.1 在灰度不均匀PCB CT图像上的实验结果 | 第35-37页 |
| 2.4.2 与现有算法对比 | 第37-40页 |
| 2.5 本章小结 | 第40-42页 |
| 第三章 基于迁移学习的全卷积网络导线检测算法 | 第42-53页 |
| 3.1 引言 | 第42-43页 |
| 3.2 FCN语义分割算法 | 第43-45页 |
| 3.3 基于FCN的导线检测 | 第45-47页 |
| 3.3.1 CNN分类网络训练 | 第45-46页 |
| 3.3.2 FCN语义分割网络迁移训练 | 第46-47页 |
| 3.4 实验结果及分析 | 第47-51页 |
| 3.4.1 在要素局部密集多样化的PCB CT图像上的实验结果 | 第47-49页 |
| 3.4.2 与现有算法对比 | 第49-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 基于自底向上和自顶向下视觉注意机制的导线检测算法 | 第53-66页 |
| 4.1 引言 | 第53-54页 |
| 4.2 视觉注意机制启发下的导线检测算法 | 第54-59页 |
| 4.2.1 自底向上和自顶向下模式的融合 | 第55-57页 |
| 4.2.2 图割后处理优化 | 第57-59页 |
| 4.3 实验结果及分析 | 第59-64页 |
| 4.3.1 在PASCAL VOC自然图像数据集上的实验结果 | 第59-60页 |
| 4.3.2 在PCB CT图像数据集上的实验结果 | 第60-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 课题工作总结 | 第66页 |
| 5.2 后续工作展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 作者简历 | 第73-74页 |
