| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究的发展现状及分析 | 第10-13页 |
| 1.2.1 织物疵点检测定位的研究现状 | 第10-12页 |
| 1.2.2 基于深度学习的目标检测与识别研究现状 | 第12-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 本文的结构安排 | 第14-15页 |
| 2 基于FasterR-CNN的织物疵点定位算法 | 第15-27页 |
| 2.1 卷积神经网络结构 | 第15-18页 |
| 2.1.1 卷积层 | 第15-16页 |
| 2.1.2 池化层 | 第16-17页 |
| 2.1.3 全连接层 | 第17-18页 |
| 2.2 织物疵点图像库扩展 | 第18-19页 |
| 2.2.1 图像裁剪 | 第18-19页 |
| 2.2.2 图像变换 | 第19页 |
| 2.3 FasterR-CNN | 第19-21页 |
| 2.3.1 基于RPN网络的候选区域生成 | 第20页 |
| 2.3.2 FastR-CNN目标检测网络 | 第20-21页 |
| 2.3.3 网络的训练 | 第21页 |
| 2.4 Soft-NMS | 第21-22页 |
| 2.5 实验结果与分析 | 第22-26页 |
| 2.5.1 实验结果定量分析 | 第23-24页 |
| 2.5.2 实验结果定性分析 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 欧式距离度量下L2-Net深度描述子对织物纹理的表征能力 | 第27-38页 |
| 3.1 L2-Net深度描述子 | 第27-32页 |
| 3.1.1 网络结构 | 第27-29页 |
| 3.1.2 训练数据库 | 第29页 |
| 3.1.3 训练集的渐进采样策略 | 第29-30页 |
| 3.1.4 损失函数 | 第30-32页 |
| 3.2 常用描述子 | 第32-34页 |
| 3.2.1 SIFT特征描述子 | 第32-33页 |
| 3.2.2 基于生物视觉的图像特征描述子--DERF描述子 | 第33-34页 |
| 3.3 实验结果与分析 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 基于随机森林分类器的织物图像疵点区域定位 | 第38-48页 |
| 4.1 决策树 | 第38-40页 |
| 4.2 随机森林构建过程 | 第40-41页 |
| 4.3 实验结果与分析 | 第41-47页 |
| 4.4 本章小结 | 第47-48页 |
| 5 总结与展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 附录：硕士研究生学习阶段发表论文 | 第54-55页 |
| 致谢 | 第55页 |