| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第16-28页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 焊接缺陷识别的国内外现状 | 第17-25页 |
| 1.2.1 焊缝图像缺陷分割 | 第17-19页 |
| 1.2.2 焊缝图像缺陷分类识别 | 第19-23页 |
| 1.2.3 深度学习在缺陷检测中的应用概述 | 第23-25页 |
| 1.3 论文研究的主要内容 | 第25-27页 |
| 1.3.1 论文选题 | 第25-26页 |
| 1.3.2 论文主要内容 | 第26-27页 |
| 1.4 本章小结 | 第27-28页 |
| 第二章 图像识别相关技术 | 第28-38页 |
| 2.1 引言 | 第28-29页 |
| 2.2 图像识别的基础 | 第29-31页 |
| 2.2.1 图像的特征提取 | 第29-30页 |
| 2.2.2 图像的模式识别 | 第30-31页 |
| 2.3 深度学习理论 | 第31-36页 |
| 2.3.1 机器学习的基础 | 第31-32页 |
| 2.3.2 传统神经网络简介 | 第32-34页 |
| 2.3.3 深度学习的兴起 | 第34-35页 |
| 2.3.4 深度学习常用方法 | 第35-36页 |
| 2.4 本章小结 | 第36-38页 |
| 第三章 无监督单层表示学习算法及其在焊接缺陷识别中的应用 | 第38-64页 |
| 3.1 引言 | 第38-39页 |
| 3.2 范数正则化理论 | 第39-43页 |
| 3.2.1 L2范数正则化 | 第39-41页 |
| 3.2.2 L1范数正则化 | 第41-43页 |
| 3.3 稀疏表示理论 | 第43-50页 |
| 3.3.1 理论概述 | 第43-44页 |
| 3.3.2 稀疏表示的解 | 第44-47页 |
| 3.3.3 字典学习 | 第47-50页 |
| 3.3.4 基于稀疏表示的分类 | 第50页 |
| 3.4 主成分分析理论 | 第50-55页 |
| 3.4.1 理论概述 | 第51-53页 |
| 3.4.2 基于PCA的图像特征提取与重构 | 第53-55页 |
| 3.5 自编码器 | 第55-58页 |
| 3.5.1 欠完备自编码 | 第56页 |
| 3.5.2 正则自编码 | 第56-57页 |
| 3.5.3 基于自编码的图像特征提取与重构 | 第57-58页 |
| 3.6 算法的验证与讨论 | 第58-62页 |
| 3.6.1 Softmax分类器 | 第58-59页 |
| 3.6.2 实验所用数据集介绍 | 第59-60页 |
| 3.6.3 实验设置与结果分析 | 第60-62页 |
| 3.7 本章小结 | 第62-64页 |
| 第四章 基于深度自编码网络的焊缝缺陷识别算法研究 | 第64-86页 |
| 4.1 引言 | 第64-65页 |
| 4.2 图像分割算法 | 第65-67页 |
| 4.3 深度稀疏自编码器 | 第67-74页 |
| 4.3.1 单层的稀疏自编码网络 | 第67-69页 |
| 4.3.2 堆叠的稀疏自编码网络 | 第69-71页 |
| 4.3.3 网络训练的优化算法 | 第71-74页 |
| 4.4 基于SSAE网络的焊缝图像特征提取与缺陷识别 | 第74-84页 |
| 4.4.1 图像数据的预处理 | 第75页 |
| 4.4.2 基于单层稀疏自编码的图像特征提取 | 第75-78页 |
| 4.4.3 深度网络的设计 | 第78页 |
| 4.4.4 实验结果与分析 | 第78-81页 |
| 4.4.5 基于滑动窗口法的焊接缺陷识别 | 第81-84页 |
| 4.5 本章小结 | 第84-86页 |
| 第五章 非平衡状态下焊接缺陷分类算法研究 | 第86-112页 |
| 5.1 引言 | 第86页 |
| 5.2 类不平衡问题 | 第86-89页 |
| 5.2.1 问题概述 | 第86-87页 |
| 5.2.2 基本抽样方法 | 第87-88页 |
| 5.2.3 合成少数类过采样技术 | 第88-89页 |
| 5.3 传统的特征学习 | 第89-93页 |
| 5.3.1 基于灰度共生矩阵的纹理特征 | 第89-91页 |
| 5.3.2 方向梯度直方图特征 | 第91-93页 |
| 5.4 卷积神经网络 | 第93-96页 |
| 5.4.1 卷积的思想与动机 | 第93-95页 |
| 5.4.2 卷积神经网络中的层 | 第95-96页 |
| 5.5 实验分析 | 第96-110页 |
| 5.5.1 常见的焊接缺陷种类 | 第97-98页 |
| 5.5.2 数据介绍 | 第98-99页 |
| 5.5.3 特征设计 | 第99-103页 |
| 5.5.4 实验结果与分析 | 第103-108页 |
| 5.5.5 迁移学习的探讨 | 第108-110页 |
| 5.6 本章小结 | 第110-112页 |
| 第六章 总结与展望 | 第112-116页 |
| 6.1 全文总结 | 第112-113页 |
| 6.2 论文创新点 | 第113-114页 |
| 6.3 后续研究与展望 | 第114-116页 |
| 参考文献 | 第116-126页 |
| 致谢 | 第126-128页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第128页 |