| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-17页 |
| 1.1 课题来源 | 第10页 |
| 1.2 研究背景和意义 | 第10-11页 |
| 1.3 国内外研究概况 | 第11-15页 |
| 1.3.1 人工检测 | 第11页 |
| 1.3.2 传统的光电检测 | 第11-12页 |
| 1.3.3 基于机器视觉的检测 | 第12-15页 |
| 1.4 冷轧薄板表面缺陷检测方法存在的问题 | 第15页 |
| 1.5 论文主要研究内容 | 第15-17页 |
| 2 基于梯度均值的冷轧薄板表面图像筛选方法 | 第17-27页 |
| 2.1 冷轧薄板表面图像介绍 | 第17-18页 |
| 2.2 冷轧薄板表面图像去噪方法 | 第18-20页 |
| 2.3 基于梯度均值的图像筛选方法 | 第20-22页 |
| 2.4 筛选实验和结果分析 | 第22-26页 |
| 2.4.1 筛选实验 | 第22-23页 |
| 2.4.2 筛选结果分析 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 基于卷积神经网络的冷轧薄板表面图像分类方法 | 第27-49页 |
| 3.1 卷积神经网络简介 | 第27-32页 |
| 3.1.1 卷积神经网络核心思想 | 第27-29页 |
| 3.1.2 卷积神经网络训练 | 第29-32页 |
| 3.1.3 卷积神经网络优缺点 | 第32页 |
| 3.2 冷轧薄板表面图像样本数据集建立 | 第32-33页 |
| 3.3 面向冷轧薄板表面图像的卷积神经网络模型建立 | 第33-37页 |
| 3.3.1 卷积神经网络层结构介绍 | 第33-35页 |
| 3.3.2 面向冷轧薄板表面图像CNN模型的网络层结构建立 | 第35-36页 |
| 3.3.3 面向冷轧薄板表面图像CNN模型的参数初始化方法和超参数设置 | 第36-37页 |
| 3.3.4 面向冷轧薄板表面图像CNN模型的代价函数选择 | 第37页 |
| 3.4 冷轧薄板表面图像分类实验及结果分析 | 第37-48页 |
| 3.4.1 不同优化方法及实验 | 第37-40页 |
| 3.4.2 不同激活函数及实验 | 第40-44页 |
| 3.4.3 降低过拟合方法及实验 | 第44-48页 |
| 3.5 本章小结 | 第48-49页 |
| 4 冷轧薄板表面缺陷检测系统软件设计及实现 | 第49-54页 |
| 4.1 检测系统软件设计 | 第49-52页 |
| 4.2 检测系统软件实现 | 第52-53页 |
| 4.3 本章小结 | 第53-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 附录 Ⅰ 攻读硕士学位期间发表的论文 | 第60-61页 |
| 附录 Ⅱ 攻读硕士学位期间参与的课题 | 第61页 |
