| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题背景及研究目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 复杂结构件装配正确性检测研究现状 | 第11-13页 |
| 1.2.2 深度学习与迁移学习研究现状 | 第13-15页 |
| 1.2.3 深度学习目标检测研究现状 | 第15-16页 |
| 1.3 论文主要研究内容和章节安排 | 第16-18页 |
| 第二章 装配检测算法理论基础及相关技术 | 第18-43页 |
| 2.1 基于X射线的内部结构视图获取 | 第18-19页 |
| 2.2 基于传统算法的目标检测 | 第19-23页 |
| 2.2.1 图像预处理 | 第19-20页 |
| 2.2.2 特征提取 | 第20-21页 |
| 2.2.3 分类决策 | 第21-23页 |
| 2.3 基于深度学习的目标检测 | 第23-34页 |
| 2.3.1 从神经元到多层神经网络 | 第23-27页 |
| 2.3.2 卷积神经网络基本结构 | 第27-31页 |
| 2.3.3 卷积神经网络优化方法 | 第31-34页 |
| 2.4 区域建议框生成技术 | 第34-42页 |
| 2.4.1 滑窗法 | 第34-35页 |
| 2.4.2 选择性搜索及区域生成网络 | 第35-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第三章 基于卷积神经网络的复杂结构件内部零件定位 | 第43-61页 |
| 3.1 装配检测算法框架 | 第43-44页 |
| 3.2 基于卷积神经网络的零件分类识别模型 | 第44-52页 |
| 3.2.1 卷积神经网络模型搭建 | 第44-47页 |
| 3.2.2 检测网络FastR-CNN | 第47-48页 |
| 3.2.3 基于区域的卷积神经网络目标检测算法 | 第48-50页 |
| 3.2.4 标准样本投影数据增强 | 第50-52页 |
| 3.3 基于卷积神经网络的零件缺漏检测算法 | 第52-56页 |
| 3.3.1 深度学习框架简介 | 第52-54页 |
| 3.3.2 检测算法实验环境 | 第54页 |
| 3.3.3 零件缺漏检测算法实现 | 第54-56页 |
| 3.4 仿真工件零件缺漏检测实验 | 第56-60页 |
| 3.4.1 仿真工件数据集 | 第56-59页 |
| 3.4.2 仿真工件零件缺漏检测 | 第59-60页 |
| 3.5 本章小结 | 第60-61页 |
| 第四章 基于X射线多视角约束的复杂结构件装配正确性检测 | 第61-74页 |
| 4.1 X射线多视角成像原理 | 第61-64页 |
| 4.1.1 X射线多视角成像系统 | 第61-62页 |
| 4.1.2 投影和正弦图 | 第62-64页 |
| 4.2 X射线多视角成像检测算法设计思路 | 第64-66页 |
| 4.3 仿真工件验证实验 | 第66-68页 |
| 4.3.1 零件位移检测 | 第66-68页 |
| 4.3.2 零件遮挡二次检测 | 第68页 |
| 4.4 实际产品装配正确性检测实验 | 第68-73页 |
| 4.4.1 数据集组成及内部零件定义 | 第69-70页 |
| 4.4.2 零件缺漏、换位检测及遮挡二次检测 | 第70-73页 |
| 4.4.3 装配正确性检测算法泛化能力验证 | 第73页 |
| 4.5 本章小结 | 第73-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5.1 总结 | 第74-75页 |
| 5.2 展望 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士期间发表的论文 | 第81-82页 |
| 致谢 | 第82-83页 |