| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 机器视觉与机器视觉检测概述 | 第12-13页 |
| 1.2 机器视觉检测研究现状及发展趋势 | 第13-14页 |
| 1.3 人工神经网络研究现状及发展趋势 | 第14-17页 |
| 1.3.1 人工神经网络发展简史及研究现状 | 第14-16页 |
| 1.3.2 人工神经网络应用及发展趋势 | 第16-17页 |
| 1.4 课题背景及研究意义 | 第17页 |
| 1.5 论文主要内容及章节安排 | 第17-20页 |
| 第2章 经典缺陷检测识别方法 | 第20-34页 |
| 2.1 引言 | 第20页 |
| 2.2 经典缺陷检测识别方法 | 第20-32页 |
| 2.2.1 特征选择 | 第20-26页 |
| 2.2.2 分类器 | 第26-32页 |
| 2.3 本章小结 | 第32-34页 |
| 第3章 卷积神经网络 | 第34-42页 |
| 3.1 卷积神经网络概述 | 第34页 |
| 3.2 卷积神经网络基本结构 | 第34-39页 |
| 3.2.1 神经元 | 第34-36页 |
| 3.2.2 基本结构 | 第36-39页 |
| 3.3 卷积神经网络基本特征 | 第39-41页 |
| 3.3.1 局部连接 | 第39-40页 |
| 3.3.2 权值共享 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于卷积神经网络的缺陷检测识别方法 | 第42-52页 |
| 4.1 研究背景 | 第42页 |
| 4.2 卷积神经网络结构设计 | 第42-46页 |
| 4.3 卷积神经网络的训练与学习 | 第46-51页 |
| 4.3.1 前向传播 | 第46-47页 |
| 4.3.2 反向传播 | 第47-48页 |
| 4.3.3 卷积神经网络的权值更新 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 尺寸缺陷检测预处理 | 第52-60页 |
| 5.1 背景介绍 | 第52页 |
| 5.2 基于极坐标Lagrange插值的畸变校正方法 | 第52-58页 |
| 5.3 极坐标Lagrange插值在航拍图像畸变校正方向上的应用 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第6章 实验结果与分析 | 第60-68页 |
| 6.1 环境搭建与样本库的建立 | 第60-61页 |
| 6.1.1 环境搭建 | 第60页 |
| 6.1.2 样本库的建立 | 第60-61页 |
| 6.2 CNN缺陷检测实验结果 | 第61-66页 |
| 6.2.1 实验过程 | 第61-62页 |
| 6.2.2 实验结果与分析 | 第62-66页 |
| 6.3 本章小结 | 第66-68页 |
| 第7章 总结与展望 | 第68-70页 |
| 7.1 工作总结 | 第68-69页 |
| 7.2 未来展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第75页 |