| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 1 绪论 | 第12-27页 |
| 1.1 课题来源 | 第12页 |
| 1.2 研究背景 | 第12-15页 |
| 1.3 TFT-LCDAOI技术及相关目标识别方法研究现状 | 第15-23页 |
| 1.4 本文主要工作 | 第23-27页 |
| 2 Mura缺陷产生机理及识别技术分析 | 第27-42页 |
| 2.1 TFT-LCD结构、显示原理及制造工艺 | 第27-31页 |
| 2.2 Mura缺陷产生机理 | 第31-34页 |
| 2.3 Mura缺陷分类标准及各类不良描述 | 第34-39页 |
| 2.4 Mura缺陷识别难点及分析 | 第39-41页 |
| 2.5 小结 | 第41-42页 |
| 3 结合非监督学习的图像多模态特征描述 | 第42-66页 |
| 3.1 引言 | 第42-44页 |
| 3.2 非监督学习特征描述理论 | 第44-46页 |
| 3.3 JFR-DRF算法提出及框架 | 第46-55页 |
| 3.4 JFR-DRF算法测试结果及讨论 | 第55-65页 |
| 3.5 小结 | 第65-66页 |
| 4 基于多模态多任务学习的判别性图像特征分类 | 第66-92页 |
| 4.1 引言 | 第66-67页 |
| 4.2 判别性图像特征融合及分类理论 | 第67-73页 |
| 4.3 M2DNN特征融合算法提出及框架 | 第73-81页 |
| 4.4 M2DNN算法测试结果及讨论 | 第81-91页 |
| 4.5 小结 | 第91-92页 |
| 5 基于视觉注意机制的精细图像识别 | 第92-115页 |
| 5.1 引言 | 第92-94页 |
| 5.2 视觉注意机制及精细图像识别理论 | 第94-96页 |
| 5.3 DA-MGDT算法提出及框架 | 第96-101页 |
| 5.4 DA-MGDT算法测试及评估 | 第101-114页 |
| 5.5 小结 | 第114-115页 |
| 6 Mura缺陷识别系统设计及应用 | 第115-132页 |
| 6.1 引言 | 第115-116页 |
| 6.2 Mura缺陷识别算法在TFT-LCD自动光学检测设备中实现 | 第116-129页 |
| 6.3 Mura缺陷识别算法应用案例 | 第129-131页 |
| 6.4 小结 | 第131-132页 |
| 7 总结与展望 | 第132-134页 |
| 7.1 全文总结 | 第132-133页 |
| 7.2 工作展望 | 第133-134页 |
| 致谢 | 第134-136页 |
| 参考文献 | 第136-146页 |
| 附录 Ⅰ 博士期间研究成果 | 第146-147页 |
| 附录 Ⅱ 缩略语 | 第147-148页 |