| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 1 绪论 | 第11-17页 |
| 1.1 课题来源 | 第11页 |
| 1.2 研究背景及意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 口罩缺陷检测系统 | 第12-13页 |
| 1.3.2 口罩缺陷检测算法 | 第13-15页 |
| 1.4 本论文主要研究内容 | 第15-17页 |
| 2 口罩技术研究 | 第17-37页 |
| 2.1 缺陷检测原理介绍 | 第17页 |
| 2.1.1 口罩缺陷类型 | 第17页 |
| 2.1.2 缺陷检测原理 | 第17页 |
| 2.2 基于灰度阈值分割的口罩缺陷检测算法研究 | 第17-23页 |
| 2.2.1 最大类间方差 | 第17-18页 |
| 2.2.2 动态阈值分割 | 第18页 |
| 2.2.3 实验过程 | 第18-22页 |
| 2.2.4 结果与分析 | 第22-23页 |
| 2.3 缺陷分类原理介绍 | 第23页 |
| 2.4 基于传统BP神经网络的口罩缺陷分类算法研究 | 第23-35页 |
| 2.4.1 灰度共生矩阵(GLCM) | 第24页 |
| 2.4.2 LBP特征 | 第24-25页 |
| 2.4.3 BP神经网络 | 第25-30页 |
| 2.4.4 实验过程 | 第30-33页 |
| 2.4.5 结果与分析 | 第33-35页 |
| 2.5 本章小结 | 第35-37页 |
| 3 基于自编码器的检测与分类算法 | 第37-49页 |
| 3.1 自编码相关理论 | 第37-40页 |
| 3.1.1 自动编码器 | 第37-38页 |
| 3.1.2 稀疏自编码 | 第38页 |
| 3.1.3 降噪自编码 | 第38-39页 |
| 3.1.4 卷积自编码 | 第39页 |
| 3.1.5 栈式降噪自编码 | 第39页 |
| 3.1.6 基于Fisher准则的SDAE | 第39-40页 |
| 3.2 基于FSDAE的口罩疵点检测 | 第40-43页 |
| 3.2.1 数据集获取 | 第40-41页 |
| 3.2.2 训练SAE | 第41-42页 |
| 3.2.3 训练CAE | 第42-43页 |
| 3.2.4 训练FSDAE | 第43页 |
| 3.3 实验结果与分析 | 第43-47页 |
| 3.3.1 TILDA数据库织物 | 第44-45页 |
| 3.3.2 玻璃纤维织物 | 第45-46页 |
| 3.3.3 无纺布口罩 | 第46-47页 |
| 3.4 本章小结 | 第47-49页 |
| 4 基于卷积神经网络的检测与分类算法 | 第49-67页 |
| 4.1 迁移学习 | 第49-50页 |
| 4.2 卷积网络分类模型 | 第50-55页 |
| 4.2.1 Alexnet | 第50-51页 |
| 4.2.2 VGGNet | 第51-52页 |
| 4.2.3 GoogLenet | 第52-55页 |
| 4.3 基于卷积神经网络(CNN)的口罩缺陷分类 | 第55-60页 |
| 4.3.1 网络模型比较 | 第56-57页 |
| 4.3.2 网络模型训练 | 第57-58页 |
| 4.3.3 数据集的处理 | 第58-60页 |
| 4.4 实验结果与分析 | 第60-65页 |
| 4.4.1 二分类 | 第60-61页 |
| 4.4.2 五分类 | 第61-62页 |
| 4.4.3 分离思想在织物上的尝试 | 第62-63页 |
| 4.4.4 网络的预测时间 | 第63-65页 |
| 4.5 本章小结 | 第65-67页 |
| 5 口罩检测系统设计 | 第67-77页 |
| 5.1 系统硬件平台搭建 | 第67-72页 |
| 5.1.1 图像采集设备 | 第68-69页 |
| 5.1.2 光源简介 | 第69-70页 |
| 5.1.3 硬件实物搭建 | 第70-72页 |
| 5.2 系统软件设计 | 第72-75页 |
| 5.2.1 开发环境 | 第72-73页 |
| 5.2.2 整体结构 | 第73-75页 |
| 5.3 本章小结 | 第75-77页 |
| 6 总结与展望 | 第77-79页 |
| 6.1 全文总结 | 第77-78页 |
| 6.2 课题展望 | 第78-79页 |
| 参考文献 | 第79-85页 |
| 作者攻读学位期间发表学术论文清单 | 第85-87页 |
| 致谢 | 第87页 |