X射线钢管焊缝缺陷的图像处理与识别技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要内容及结构安排 | 第13-15页 |
| 第二章 相关基础知识 | 第15-34页 |
| 2.1 图像分割 | 第15-20页 |
| 2.1.1 阈值分割法 | 第15-16页 |
| 2.1.2 区域分割法 | 第16-17页 |
| 2.1.3 边缘分割法 | 第17-18页 |
| 2.1.4 其他分割方法 | 第18-20页 |
| 2.2 典型分类器 | 第20-28页 |
| 2.2.1 支持向量机 | 第21-24页 |
| 2.2.2 Ada Boost算法 | 第24-25页 |
| 2.2.3 神经网络算法 | 第25-28页 |
| 2.3 深度学习 | 第28-33页 |
| 2.3.1 稀疏自编码网络 | 第28-30页 |
| 2.3.2 深度信念网 | 第30-32页 |
| 2.3.3 卷积神经网络 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于尺度乘积的焊缝区域分割算法 | 第34-45页 |
| 3.1 焊缝缺陷自动检测系统简介 | 第34-36页 |
| 3.2 基于尺度乘积的X射线焊缝区域提取算法研究 | 第36-42页 |
| 3.2.1 图像预处理 | 第36-37页 |
| 3.2.2 灰度曲线的最小二乘直线拟合 | 第37-42页 |
| 3.3 多尺度分析 | 第42-44页 |
| 3.3.1 单一尺度与多尺度 | 第42-43页 |
| 3.3.2 不同尺度乘积 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于深度神经网络的焊缝缺陷识别算法 | 第45-59页 |
| 4.1 焊缝缺陷识别基础 | 第45-47页 |
| 4.1.1 常见焊缝缺陷的分类 | 第45-46页 |
| 4.1.2 焊缝缺陷识别相关算法 | 第46-47页 |
| 4.2 基于深度神经网络的焊缝缺陷识别 | 第47-57页 |
| 4.2.1 特征学习基础 | 第48-51页 |
| 4.2.2 多网络检测模型 | 第51-52页 |
| 4.2.3 焊缝缺陷检测 | 第52-54页 |
| 4.2.4 基于焊缝区域的特征学习 | 第54-56页 |
| 4.2.5 网络参数可视化 | 第56-57页 |
| 4.3 本章小结 | 第57-59页 |
| 第五章 实验结果及性能分析 | 第59-68页 |
| 5.1 实验结果说明及对比 | 第59-67页 |
| 5.1.1 图像分割算法对比 | 第59-62页 |
| 5.1.2 焊缝缺陷分类算法的比较 | 第62-67页 |
| 5.2 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 论文总结 | 第68-69页 |
| 6.2 进一步研究工作 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间取得的成果 | 第75-76页 |
