| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 镜片缺陷检测国内外研究现状 | 第11-12页 |
| 1.3 深度学习在图像分类领域的研究现状 | 第12-13页 |
| 1.4 本文研究内容 | 第13-15页 |
| 第2章 镜片图像采集与方案设计 | 第15-23页 |
| 2.1 树脂镜片质量特征分析 | 第15-16页 |
| 2.2 树脂镜片图像采集 | 第16-21页 |
| 2.2.1 光源及照明方式的选择 | 第16-19页 |
| 2.2.2 树脂镜片缺陷基本类型选择 | 第19-21页 |
| 2.3 缺陷识别方案设计 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 图像预处理 | 第23-37页 |
| 3.1 图像去噪 | 第23-26页 |
| 3.1.1 高斯滤波 | 第23-24页 |
| 3.1.2 双边滤波 | 第24-26页 |
| 3.2 光照不均的解决方案 | 第26-31页 |
| 3.2.1 直方图均衡化 | 第26-29页 |
| 3.2.2 基于二维伽马函数的图像自适应校正算法 | 第29-31页 |
| 3.3 形态学除尘去伪 | 第31-35页 |
| 3.3.1 形态学腐蚀与膨胀 | 第31-33页 |
| 3.3.2 形态学除尘 | 第33-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第4章 基于退化YOLO网络的缺陷识别方法研究 | 第37-51页 |
| 4.1 卷积神经网络 | 第37-40页 |
| 4.1.1 网络结构 | 第37-38页 |
| 4.1.2 Logistic回归与Softmax多分类 | 第38-40页 |
| 4.2 YOLO算法理论分析 | 第40-45页 |
| 4.2.1 YOLO算法基本思想 | 第40-42页 |
| 4.2.2 非极大值抑制 | 第42-43页 |
| 4.2.3 损失函数 | 第43-45页 |
| 4.3 退化YOLO网络缺陷识别算法 | 第45-47页 |
| 4.3.1 基于退化YOLO网络缺陷识别算法分析 | 第45-46页 |
| 4.3.2 退化YOLO网络损失函数 | 第46-47页 |
| 4.4 树脂镜片数据集的建立 | 第47-50页 |
| 4.4.1 数据增强 | 第47-48页 |
| 4.4.2 数据标注 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 镜片缺陷检测实验结果对比与分析 | 第51-60页 |
| 5.1 网络模型结构 | 第51-53页 |
| 5.2 实验结果与分析 | 第53-58页 |
| 5.2.1 训练过程变化曲线 | 第53-56页 |
| 5.2.2 模型评价 | 第56-58页 |
| 5.3 综合分析 | 第58-59页 |
| 5.4 实验环境 | 第59页 |
| 5.5 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第65-66页 |
| 致谢 | 第66页 |