基于发动机缸盖零件制造的视觉检测算法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 课题研究背景意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 产品检测算法研究现状 | 第13-14页 |
| 1.2.2 最优化问题研究现状 | 第14页 |
| 1.2.3 特征匹配算法研究现状 | 第14-17页 |
| 1.2.4 深度神经网络研究现状 | 第17-19页 |
| 1.3 本文的主要贡献与创新 | 第19页 |
| 1.4 本论文的主要内容 | 第19-21页 |
| 第二章 发动机缸盖零件检测问题及检测算法 | 第21-35页 |
| 2.1 发动机缸盖零件检测问题的描述 | 第21-22页 |
| 2.2 最优化问题 | 第22-25页 |
| 2.2.1 最优化问题的数学模型 | 第22-23页 |
| 2.2.2 最优化模型的求解方法 | 第23-25页 |
| 2.3 特征匹配算法 | 第25-29页 |
| 2.3.1 边缘特征 | 第26-27页 |
| 2.3.2 LBP特征 | 第27-28页 |
| 2.3.3 相似性度量 | 第28-29页 |
| 2.4 卷积神经网络 | 第29-33页 |
| 2.4.1 常见的卷积神经网络结构 | 第29-30页 |
| 2.4.2 卷积特征的提取 | 第30-31页 |
| 2.4.3 损失函数的设计 | 第31-32页 |
| 2.4.4 卷积网络的泛化 | 第32-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第三章 基于发动机缸盖的最优模型检测算法 | 第35-45页 |
| 3.1 最优模型的建立 | 第35-37页 |
| 3.2 最优模型的求解 | 第37-40页 |
| 3.2.1 最速梯度下降法 | 第38-39页 |
| 3.2.2 Adadelta算法 | 第39-40页 |
| 3.2.3 搜索算法 | 第40页 |
| 3.3 边缘矫正 | 第40-41页 |
| 3.4 检测结果与分析 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于发动机缸盖的特征匹配检测算法 | 第45-58页 |
| 4.1 基于发动机缸盖检测的特征匹配模型建立 | 第45-50页 |
| 4.1.1 基于边缘特征的区域先验 | 第45-46页 |
| 4.1.2 基于Haar-like改进纹理特征 | 第46-49页 |
| 4.1.3 匹配热图的计算 | 第49-50页 |
| 4.2 检测鲁棒性的增强 | 第50-53页 |
| 4.2.1 图像相似度的计算 | 第50-51页 |
| 4.2.2 图像编码 | 第51-52页 |
| 4.2.3 图像模板引索的建立 | 第52-53页 |
| 4.3 检测结果与分析 | 第53-57页 |
| 4.3.1 改进的Haar纹理特征分析 | 第53-55页 |
| 4.3.2 检测鲁棒性分析 | 第55-56页 |
| 4.3.3 综合测试结果与分析 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 基于发动机缸盖的卷积网络检测算法 | 第58-68页 |
| 5.1 卷积神经网络的拓扑结构 | 第58-61页 |
| 5.2 损失函数和测试网络 | 第61-63页 |
| 5.2.1 损失函数的构造 | 第61-62页 |
| 5.2.2 测试网络 | 第62-63页 |
| 5.3 卷积神经网络分析 | 第63-64页 |
| 5.4 实验结果与分析 | 第64-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 检测系统的实现 | 第68-75页 |
| 6.1 检测系统的设计 | 第68-71页 |
| 6.1.1 硬件环境 | 第68-69页 |
| 6.1.2 软件平台设计 | 第69-71页 |
| 6.2 检测系统的实现与展示 | 第71-73页 |
| 6.3 系统检测的结果分析 | 第73-74页 |
| 6.4 本章小结 | 第74-75页 |
| 第七章 全文总结与展望 | 第75-77页 |
| 7.1 全文总结 | 第75-76页 |
| 7.2 后续工作展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-85页 |
| 攻读硕士学位期间取得的成果 | 第85页 |
