| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-16页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 汽车冲压件缺陷分类及有限元分析方法 | 第8-11页 |
| 1.2.1 冲压缺陷分类 | 第8-11页 |
| 1.2.2 CAE仿真分析 | 第11页 |
| 1.3 基于深度学习的目标检测研究现状 | 第11-13页 |
| 1.4 主要工作 | 第13-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 卷积神经网络 | 第16-26页 |
| 2.1 神经元 | 第16页 |
| 2.2 卷积神经网络概述 | 第16-17页 |
| 2.3 全连接和局部连接 | 第17-18页 |
| 2.4 卷积神经网络基本结构 | 第18-23页 |
| 2.5 前向传播 | 第23-24页 |
| 2.6 反向传播 | 第24-25页 |
| 2.7 本章小结 | 第25-26页 |
| 3 基于KMAS/One-step的汽车冲压件数据库的构建 | 第26-38页 |
| 3.1 KMAS和一步式逆成型 | 第26-27页 |
| 3.1.1 KMAS软件介绍 | 第26页 |
| 3.1.2 一步式逆成型 | 第26-27页 |
| 3.2 CAD模型筛选和几何清理 | 第27-28页 |
| 3.2.1 CAD模型筛选 | 第27-28页 |
| 3.2.2 CAD模型几何清理 | 第28页 |
| 3.3 基于UG的KMAS/One-step生成零件厚度云图并截取视图 | 第28-32页 |
| 3.3.1 零件厚度云图 | 第28-30页 |
| 3.3.2 高斯曲率云图 | 第30-31页 |
| 3.3.3 截取模型厚度云图和高斯曲率云图 | 第31-32页 |
| 3.4 Pascal_VOC数据集的制作 | 第32-37页 |
| 3.4.1 图片的前处理和标注 | 第33-34页 |
| 3.4.2 Pascal_VOC数据集的制作 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 基于Faster R-CNN的冲压件缺陷研究 | 第38-56页 |
| 4.1 Fast R-CNN网络模型 | 第38-39页 |
| 4.2 Faster R-CNN网络结构模型 | 第39-44页 |
| 4.2.1 VGGNet-16 网络 | 第40-41页 |
| 4.2.2 Res Net-101 网络（Residual Neural Network） | 第41-43页 |
| 4.2.3 区域建议网络（RPN） | 第43页 |
| 4.2.4 Faster R-CNN训练 | 第43-44页 |
| 4.3 冲压件缺陷预测算法流程 | 第44-47页 |
| 4.3.1 软硬件平台 | 第44-45页 |
| 4.3.2 训练数据集 | 第45-46页 |
| 4.3.3 冲压件缺陷预测流程 | 第46-47页 |
| 4.4 评价标准 | 第47-50页 |
| 4.4.1 准确率-召回率（Precision-Recall）曲线 | 第47-48页 |
| 4.4.2 平均准确率（Average precision） | 第48-49页 |
| 4.4.3 交并比（Intersection-over-Union） | 第49-50页 |
| 4.5 测试结果 | 第50-54页 |
| 4.5.1 文献中的Faster R-CNN测试结果 | 第50-51页 |
| 4.5.2 改变锚框大小的Faster R-CNN测试结果 | 第51-54页 |
| 4.6 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
