| 中文摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 本课题的研究背景和意义 | 第8-9页 |
| 1.2 X射线缺陷检测的发展及研究现状 | 第9-11页 |
| 1.3 深度学习在缺陷检测领域的研究现状 | 第11-13页 |
| 1.4 论文的主要工作与结构安排 | 第13-16页 |
| 第二章 基于深度学习的铸件X射线自动检测系统 | 第16-30页 |
| 2.1 X射线成像系统 | 第16-19页 |
| 2.1.1 X射线检测的基本原理 | 第16页 |
| 2.1.2 X射线成像系统硬件组成 | 第16-18页 |
| 2.1.3 X射线数字图像生成及采集 | 第18-19页 |
| 2.2 卷积神经网络 | 第19-26页 |
| 2.2.0 卷积神经网络的概述 | 第19-20页 |
| 2.2.1 卷积神经网络结构 | 第20-25页 |
| 2.2.2 卷积神经网络模型 | 第25-26页 |
| 2.3 X射线检测系统的整体方案设计 | 第26-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于卷积神经网络的铸件缺陷识别 | 第30-48页 |
| 3.1 数据库的创建 | 第30-33页 |
| 3.2 实验环境的配置 | 第33-34页 |
| 3.2.1 本机配置 | 第33页 |
| 3.2.2 caffe框架的搭建和测试 | 第33-34页 |
| 3.3 caffenet网络的训练及分析 | 第34-42页 |
| 3.3.1 caffenet的训练过程 | 第34-38页 |
| 3.3.2 模型分析 | 第38-39页 |
| 3.3.3 特征可视化 | 第39-40页 |
| 3.3.4 实验与分析 | 第40-42页 |
| 3.4 基于改进的caffenet网络的铸件缺陷识别 | 第42-46页 |
| 3.4.1 改变卷积核大小 | 第42-45页 |
| 3.4.2 降低网络复杂度 | 第45-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 卷积神经网络模型的嵌入式平台的开发与验证 | 第48-56页 |
| 4.1 JetsonTX1的简介 | 第48-50页 |
| 4.2 JetsonTX1的深度学习环境配置 | 第50-52页 |
| 4.3 深度学习模型的移植及识别验证 | 第52-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |