X射线焊缝缺陷图像降维及分类检测算法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8页 |
| 1.2 X射线焊缝缺陷检测发展现状 | 第8-12页 |
| 1.2.1 基于图像处理方法的缺陷检测 | 第9-10页 |
| 1.2.2 基于模式识别方法的缺陷检测 | 第10页 |
| 1.2.3 支持向量机算法的发展现状 | 第10-11页 |
| 1.2.4 卷积神经网络方法研究进展 | 第11-12页 |
| 1.3 研究的意义和目的 | 第12-13页 |
| 1.4 课题来源 | 第13页 |
| 1.5 课题研究的技术路线 | 第13-14页 |
| 1.6 本章总结 | 第14页 |
| 1.7 章节安排 | 第14-16页 |
| 第二章 X射线焊缝检测图像采集与预处理 | 第16-36页 |
| 2.1 X射线焊缝图像采集和数据库的建立 | 第16-17页 |
| 2.2 X射线焊缝图像预处理 | 第17-18页 |
| 2.3 焊缝区域图像的提取 | 第18-32页 |
| 2.3.1 图像滤波 | 第19-21页 |
| 2.3.2 对比度测试 | 第21-23页 |
| 2.3.3 sin函数增强 | 第23-26页 |
| 2.3.4 大津法分割 | 第26-27页 |
| 2.3.5 边缘检测 | 第27-31页 |
| 2.3.6 Hough变换提取直线 | 第31-32页 |
| 2.4 焊缝区域缺陷图像的分割 | 第32-35页 |
| 2.4.1 灰度阈值的缺陷分割 | 第32-33页 |
| 2.4.2 密度聚类的缺陷分割 | 第33-35页 |
| 2.5 本章总结 | 第35-36页 |
| 第三章 焊缝图像的特征参数提取与降维 | 第36-46页 |
| 3.1 缺陷特征参数的建模 | 第36页 |
| 3.2 缺陷区域的确定 | 第36-38页 |
| 3.3 几何特征的提取 | 第38-41页 |
| 3.4 焊缝图像降维 | 第41-45页 |
| 3.4.1 极大似然估计(MLE) | 第41-43页 |
| 3.4.2 拉普拉斯特征映射算法 | 第43-45页 |
| 3.5 本章总结 | 第45-46页 |
| 第四章 基于SVM的缺陷分类检测 | 第46-56页 |
| 4.1 反向传播算法 | 第46-49页 |
| 4.1.1 BP神经网络 | 第46-47页 |
| 4.1.2 BP算法实验结果 | 第47-49页 |
| 4.2 支持向量机理论 | 第49-54页 |
| 4.2.1 最优分类超平面 | 第49-51页 |
| 4.2.2 支持向量机模型 | 第51页 |
| 4.2.3 核函数的选取 | 第51-54页 |
| 4.3 SVM与BP神经网络实验对比 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 基于卷积神经网络的缺陷分类检测 | 第56-70页 |
| 5.1 深度学习 | 第56页 |
| 5.2 卷积神经网络的基本概念 | 第56-57页 |
| 5.3 卷积神经网络的特性 | 第57-59页 |
| 5.3.1 局部连接 | 第57-58页 |
| 5.3.2 权值共享 | 第58页 |
| 5.3.3 下采样过程 | 第58-59页 |
| 5.4 卷积神经网络中的相关运算 | 第59-61页 |
| 5.5 激活函数的选择 | 第61页 |
| 5.6 分类算法的选择 | 第61-64页 |
| 5.6.1 逻辑回归 | 第61-63页 |
| 5.6.2 Softmax回归 | 第63-64页 |
| 5.7 Tensorflow简介 | 第64-65页 |
| 5.7.1 TensorFlow的特点 | 第64-65页 |
| 5.7.2 Tensorflow系统架构 | 第65页 |
| 5.8 卷积神经网络模型设计 | 第65-69页 |
| 5.8.1 实验结果与分析 | 第67-69页 |
| 5.9 本章总结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70页 |
| 6.2 展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 攻读学位期间参加科研情况及获得的学术成果 | 第76-77页 |
