| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 金相图像评级分类的国内外研究现状 | 第13-16页 |
| 1.3 需要解决的问题 | 第16-17页 |
| 1.4 研究内容与章节安排 | 第17-19页 |
| 第二章 金相图像数据库的构建及预处理算法研究 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 金相图像数据库的构建 | 第19-22页 |
| 2.2.1 金相图像采集 | 第19-21页 |
| 2.2.2 建立数据库 | 第21-22页 |
| 2.3 金相图像的灰度转换 | 第22页 |
| 2.4 金相图像的滤波处理 | 第22-26页 |
| 2.4.1 空间域滤波处理 | 第23页 |
| 2.4.2 频域滤波处理 | 第23-26页 |
| 2.5 金相图像的锐化处理 | 第26-28页 |
| 2.5.1 拉普拉斯锐化 | 第26-27页 |
| 2.5.2 高通滤波锐化 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 金相图像纹理特征提取与特征集构建 | 第29-48页 |
| 3.1 引言 | 第29页 |
| 3.2 纹理特征提取 | 第29-41页 |
| 3.2.1 盒分形维数 | 第31-33页 |
| 3.2.2 C-LBPH特征提取 | 第33-36页 |
| 3.2.3 灰度共生矩阵特征提取 | 第36-37页 |
| 3.2.4 基于PCA降维的SIFT特征提取 | 第37-40页 |
| 3.2.5 特征集构建 | 第40-41页 |
| 3.3 特征选择 | 第41-46页 |
| 3.3.1 特征选择算法 | 第41-43页 |
| 3.3.2 特征选择分析 | 第43-46页 |
| 3.4 算法整体框架 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于同质与异质的金相图像集成分类算法 | 第48-55页 |
| 4.1 引言 | 第48-49页 |
| 4.2 特征维数固定的异质分类器集成 | 第49-51页 |
| 4.2.1 分类策略 | 第49页 |
| 4.2.2 实验结果与分析 | 第49-51页 |
| 4.3 特征维数可变的同质分类器集成 | 第51-53页 |
| 4.3.1 分类策略 | 第51-52页 |
| 4.3.2 实验结果与分析 | 第52-53页 |
| 4.4 分类图像错误分析 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于卷积神经网络的多层级集成学习金相自动评级算法研究 | 第55-71页 |
| 5.1 引言 | 第55-56页 |
| 5.2 卷积神经网络的结构 | 第56-59页 |
| 5.2.1 卷积层 | 第56-57页 |
| 5.2.2 激活层 | 第57-58页 |
| 5.2.3 池化层 | 第58页 |
| 5.2.4 全连接层 | 第58-59页 |
| 5.3 迁移学习 | 第59-60页 |
| 5.4 数据增强 | 第60-61页 |
| 5.5 卷积神经网络模型结构及参数训练 | 第61-65页 |
| 5.5.1 模型结构 | 第61-62页 |
| 5.5.2 基于迁移学习的参数训练 | 第62-64页 |
| 5.5.3 构建随机森林分类器 | 第64-65页 |
| 5.6 实验与分析 | 第65-70页 |
| 5.6.1 评价标准 | 第65-66页 |
| 5.6.2 不同特征之间的分类对比 | 第66-67页 |
| 5.6.3 是否使用迁移学习对分类的影响 | 第67-68页 |
| 5.6.4 训练样本对模型的影响 | 第68-70页 |
| 5.7 本章小结 | 第70-71页 |
| 第六章 金相评级实验对比 | 第71-77页 |
| 6.1 引言 | 第71页 |
| 6.2 金相图像的制备 | 第71-73页 |
| 6.3 评级实验流程 | 第73-74页 |
| 6.4 实验结果与分析 | 第74-76页 |
| 6.5 本章小结 | 第76-77页 |
| 第七章 结论与展望 | 第77-79页 |
| 7.1 论文总结 | 第77-78页 |
| 7.2 论文展望 | 第78-79页 |
| 参考文献 | 第79-84页 |
| 致谢 | 第84-85页 |
| 攻读硕士学位期间的科研情况 | 第85页 |