| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.1.1 课题背景 | 第10页 |
| 1.1.2 课题研究目的和意义 | 第10-11页 |
| 1.2 带钢表面缺陷检测方法综述 | 第11-16页 |
| 1.2.1 传统无损检测 | 第11-12页 |
| 1.2.2 机器视觉检测 | 第12-13页 |
| 1.2.3 板带材表面缺陷图像分类技术发展 | 第13-14页 |
| 1.2.4 国内外研究现状 | 第14-16页 |
| 1.3 课题主要研究内容及结构安排 | 第16-18页 |
| 第2章 板带材表面缺陷检测系统整体设计 | 第18-34页 |
| 2.1 本文研究所涉及的缺陷 | 第18-19页 |
| 2.2 系统的整体结构设计 | 第19页 |
| 2.3 系统的硬件结构设计 | 第19-26页 |
| 2.3.1 系统光源 | 第20页 |
| 2.3.2 照明方式 | 第20-21页 |
| 2.3.3 图像传感器 | 第21-23页 |
| 2.3.4 处理器FPGA及部分外设电路设计 | 第23-26页 |
| 2.4 系统的软件结构设计 | 第26-33页 |
| 2.4.1 COMS驱动设计 | 第26-30页 |
| 2.4.2 以太网模块驱动设计 | 第30-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 图像预处理和板带材表面缺陷图像库建立 | 第34-44页 |
| 3.1 基于FPGA的图像预处理 | 第34-39页 |
| 3.1.1 缺陷图像噪声及滤波方法 | 第34-37页 |
| 3.1.2 基于FPGA的快速中值滤波 | 第37-39页 |
| 3.2 板带材表面缺陷图像库构建 | 第39-43页 |
| 3.2.1 图像标签号设置 | 第40页 |
| 3.2.2 缺陷图像扩展 | 第40-42页 |
| 3.2.3 图像库转换 | 第42-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第4章 基于Gabor核的深度卷积神经网络与图像识别 | 第44-65页 |
| 4.1 卷积神经网络 | 第44-55页 |
| 4.1.1 卷积神经网络结构 | 第45-48页 |
| 4.1.2 卷积神经网络求解 | 第48-52页 |
| 4.1.3 基于Le Net-5 网络的缺陷图像库识别 | 第52-55页 |
| 4.2 基于Gabor核的深度卷积神经网络 | 第55-58页 |
| 4.2.1 卷积层设计 | 第55-57页 |
| 4.2.2 激活函数选取 | 第57-58页 |
| 4.2.3 网络中的其他设计 | 第58页 |
| 4.3 基于深度Gabor卷积神经网络的板带材缺陷图像识别 | 第58-63页 |
| 4.3.1 网络模型训练参数设置 | 第58-59页 |
| 4.3.2 网络学习及识别过程 | 第59-61页 |
| 4.3.3 网络混淆矩阵和损失函数 | 第61-63页 |
| 4.4 实验结果分析 | 第63-64页 |
| 4.5 本章小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第71-72页 |
| 致谢 | 第72页 |
