板带钢表面缺陷目标检测与分类算法研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 1 绪论 | 第14-35页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 钢板表面检测方法 | 第16-20页 |
| 1.2.1 钢板缺陷种类 | 第16-17页 |
| 1.2.2 人工检测方法 | 第17页 |
| 1.2.3 涡流检测方法 | 第17-18页 |
| 1.2.4 红外检测方法 | 第18页 |
| 1.2.5 漏磁检测方法 | 第18页 |
| 1.2.6 激光扫描检测方法 | 第18-19页 |
| 1.2.7 机器视觉检测方法 | 第19-20页 |
| 1.3 机器视觉表面检测发展历程 | 第20-25页 |
| 1.3.1 检测系统 | 第20-21页 |
| 1.3.2 图像分割 | 第21-23页 |
| 1.3.3 特征提取 | 第23-24页 |
| 1.3.4 缺陷分类 | 第24-25页 |
| 1.4 深度学习发展简述 | 第25-33页 |
| 1.4.1 卷积神经网络 | 第26-28页 |
| 1.4.2 经典卷积神经网络结构 | 第28-31页 |
| 1.4.3 目标检测与分类 | 第31-33页 |
| 1.5 深度学习在金属表面检测领域的应用 | 第33页 |
| 1.6 论文结构与章节安排 | 第33-35页 |
| 2 表面缺陷的快速区域搜索算法 | 第35-55页 |
| 2.1 基于积分图的可疑区域快速搜索算法 | 第35-42页 |
| 2.1.1 算法流程 | 第35-36页 |
| 2.1.2 图像预处理 | 第36-38页 |
| 2.1.3 基于积分图的快速搜索方法 | 第38-40页 |
| 2.1.4 相邻候选区域合并 | 第40-41页 |
| 2.1.5 可疑区域精细搜索 | 第41-42页 |
| 2.2 基于霍夫变换的边部缺陷快速检测算法 | 第42-49页 |
| 2.2.1 算法流程 | 第43页 |
| 2.2.2 钢板边部缺陷特征 | 第43-44页 |
| 2.2.3 边部检测及兴趣区域提取 | 第44-45页 |
| 2.2.4 霍夫变换原理 | 第45-46页 |
| 2.2.5 边部可疑区域搜索 | 第46-49页 |
| 2.3 酸洗带钢表面缺陷检测中的应用 | 第49-54页 |
| 2.3.1 酸洗带钢表面检测系统 | 第49-51页 |
| 2.3.2 实验结果 | 第51-54页 |
| 2.4 本章小结 | 第54-55页 |
| 3 G-ELM表面缺陷分类算法 | 第55-69页 |
| 3.1 表面缺陷分类算法流程 | 第55-57页 |
| 3.2 LBP特征提取 | 第57-58页 |
| 3.3 ELM及GA算法 | 第58-60页 |
| 3.3.1 单隐层前馈神经网络及ELM算法 | 第59-60页 |
| 3.3.2 遗传算法 | 第60页 |
| 3.4 G-ELM | 第60-63页 |
| 3.4.1 基因锁定 | 第61页 |
| 3.4.2 动态变异率 | 第61-62页 |
| 3.4.3 G-ELM算法流程 | 第62-63页 |
| 3.5 中厚板表面缺陷分类中的应用 | 第63-68页 |
| 3.5.1 中厚板常见表面缺陷类型 | 第63-65页 |
| 3.5.2 ELM与G-ELM的对比实验 | 第65-67页 |
| 3.5.3 G-ELM分类结果分析 | 第67-68页 |
| 3.6 本章小结 | 第68-69页 |
| 4 端到端的表面缺陷快速检测算法 | 第69-89页 |
| 4.1 常用目标检测算法 | 第69页 |
| 4.2 热轧带钢目标检测模型 | 第69-72页 |
| 4.2.1 YOLO算法详解 | 第69-70页 |
| 4.2.2 损失函数设计及训练方法 | 第70-72页 |
| 4.3 热轧带钢表面缺陷在线检测 | 第72-79页 |
| 4.3.1 热轧带钢表面检测系统 | 第72-75页 |
| 4.3.2 热轧带钢常见表面缺陷分析 | 第75-77页 |
| 4.3.3 实验样本标记 | 第77-79页 |
| 4.4 实验过程与结果分析 | 第79-88页 |
| 4.4.1 硬件配置 | 第79-80页 |
| 4.4.2 缺陷样本的动态扩增 | 第80-81页 |
| 4.4.3 评价标准 | 第81-84页 |
| 4.4.4 实验结果 | 第84-88页 |
| 4.5 本章小结 | 第88-89页 |
| 5 钢板表面缺陷样本迁移方法 | 第89-101页 |
| 5.1 深度学习背景下样本收集问题 | 第89-90页 |
| 5.2 样本迁移 | 第90-94页 |
| 5.2.1 对抗生成网络 | 第91-92页 |
| 5.2.2 图像跨域转换 | 第92-94页 |
| 5.3 生成样本质量验证 | 第94-96页 |
| 5.4 实验过程与结果分析 | 第96-100页 |
| 5.4.1 实验数据准备 | 第96-98页 |
| 5.4.2 图像跨域转换 | 第98-99页 |
| 5.4.3 跨域转换分类验证 | 第99-100页 |
| 5.5 本章小结 | 第100-101页 |
| 6 表面未知缺陷的启发式识别方法 | 第101-117页 |
| 6.1 未知缺陷的识别难题 | 第101页 |
| 6.2 启发式检测 | 第101-109页 |
| 6.2.1 词树 | 第101-102页 |
| 6.2.2 模型结构 | 第102-105页 |
| 6.2.3 层级化类别输出层 | 第105-108页 |
| 6.2.4 节点输出分析 | 第108-109页 |
| 6.3 实验过程与结果分析 | 第109-116页 |
| 6.3.1 实验数据 | 第109-110页 |
| 6.3.2 实验设计 | 第110-111页 |
| 6.3.3 原模型对未知缺陷的识别 | 第111-113页 |
| 6.3.4 新模型预测未知缺陷 | 第113-116页 |
| 6.4 本章小结 | 第116-117页 |
| 7 总结与展望 | 第117-120页 |
| 7.1 全文总结 | 第117-118页 |
| 7.2 创新点 | 第118页 |
| 7.3 研究展望 | 第118-120页 |
| 参考文献 | 第120-129页 |
| 附录A | 第129-134页 |
| 作者简历及在学研究成果 | 第134-137页 |
| 学位论文数据集 | 第137页 |
