| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号说明 | 第11-14页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 论文研究背景及研究意义 | 第14-15页 |
| 1.2 国内外研究现状与分析 | 第15-17页 |
| 1.2.1 机器视觉表面缺陷检测技术研究现状 | 第16-17页 |
| 1.2.2 深度学习技术研究现状 | 第17页 |
| 1.3 论文主要研究内容 | 第17-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第2章 金属轴表面缺陷图像处理 | 第20-34页 |
| 2.1 引言 | 第20页 |
| 2.2 常见金属轴表面缺陷及图像采集方式介绍 | 第20-22页 |
| 2.3 金属轴表面缺陷图像阈值分割及粗筛选 | 第22-23页 |
| 2.4 金属轴表面缺陷图像预处理 | 第23-26页 |
| 2.4.1 金属轴表面缺陷图像灰度化 | 第23-24页 |
| 2.4.2 金属轴表面缺陷图像去噪 | 第24-26页 |
| 2.5 金属轴表面缺陷图像边缘检测分割 | 第26-30页 |
| 2.6 轴缺陷图像数据增强 | 第30-31页 |
| 2.7 多线程图像处理 | 第31-32页 |
| 2.8 本章小结 | 第32-34页 |
| 第3章 基于深度学习的金属轴表面缺陷目标检测模型构建 | 第34-58页 |
| 3.1 引言 | 第34页 |
| 3.2 深度卷积神经网络的构成 | 第34-36页 |
| 3.3 基于深度学习目标检测系列算法与对比 | 第36-38页 |
| 3.3.1 R-CNN | 第36-37页 |
| 3.3.2 SPPNet | 第37页 |
| 3.3.3 Fast R-CNN | 第37页 |
| 3.3.4 Faster R-CNN | 第37-38页 |
| 3.3.5 对比与分析 | 第38页 |
| 3.4 基于Faster R-CNN 的金属轴表面缺陷检测方案设计 | 第38-49页 |
| 3.4.1 卷积层共享机制 | 第38-39页 |
| 3.4.2 特征提取网络结构设计 | 第39-43页 |
| 3.4.3 RPN网络结构设计 | 第43-45页 |
| 3.4.4 分类网络结构设计 | 第45-48页 |
| 3.4.5 非极大值抑制 | 第48页 |
| 3.4.6 总体方案设计 | 第48-49页 |
| 3.5 Faster R-CNN 模型训练设置 | 第49-54页 |
| 3.5.1 损失函数设置 | 第49-50页 |
| 3.5.2 模型的优化方法设置 | 第50-51页 |
| 3.5.3 学习率设置 | 第51-53页 |
| 3.5.4 滑动平均参数设置 | 第53-54页 |
| 3.6 模型性能评估方法 | 第54-57页 |
| 3.6.1 数据集划分方法 | 第54-55页 |
| 3.6.2 评估方法 | 第55-57页 |
| 3.7 本章小结 | 第57-58页 |
| 第4章 金属表面缺陷检测平台设计 | 第58-70页 |
| 4.1 引言 | 第58页 |
| 4.2 检测平台总体结构介绍 | 第58-59页 |
| 4.3 下位机硬件电路总体框架设计 | 第59-62页 |
| 4.3.1 下位机硬件电路总体结构 | 第59-60页 |
| 4.3.2 芯片的选择 | 第60-61页 |
| 4.3.4 照明模块电路设计 | 第61页 |
| 4.3.5 电压转换电路设计 | 第61-62页 |
| 4.3.6 通信电路设计 | 第62页 |
| 4.4 PCB板硬件电路设计制作 | 第62-63页 |
| 4.5 下位机控制方法设计 | 第63-66页 |
| 4.5.1 金属轴旋转模块控制方法设计 | 第63-65页 |
| 4.5.2 照明模块控制方法设计 | 第65页 |
| 4.5.3 上位机与下位机通信设计 | 第65-66页 |
| 4.6 上位机软件GUI设计 | 第66-68页 |
| 4.7 本章小结 | 第68-70页 |
| 第5章 平台搭建与实验分析 | 第70-84页 |
| 5.1 引言 | 第70页 |
| 5.2 检测平台制作 | 第70-71页 |
| 5.3 数据集制作 | 第71-74页 |
| 5.4 基于tensorflow的目标检测模型训练 | 第74-79页 |
| 5.4.1 训练环境搭建 | 第74-75页 |
| 5.4.2 模型的训练步骤 | 第75-77页 |
| 5.4.3 Tensorboard训练监控 | 第77-79页 |
| 5.5 识别效果分析 | 第79-83页 |
| 5.5.1 目标检测方法识别性能对比 | 第79-80页 |
| 5.5.2 检测结果分析 | 第80-83页 |
| 5.5.3 误差来源分析 | 第83页 |
| 5.6 本章小结 | 第83-84页 |
| 第6章 总结和展望 | 第84-86页 |
| 6.1 总结 | 第84页 |
| 6.2 创新点 | 第84页 |
| 6.3 展望 | 第84-86页 |
| 附录A | 第86-90页 |
| 参考文献 | 第90-94页 |
| 致谢 | 第94-96页 |
| 攻读学位期间参加的科研项目和成果 | 第96页 |
