| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 管道缺陷检测技术发展现状 | 第12-15页 |
| 1.2.2 管道内表面缺陷检测研究中的难点 | 第15页 |
| 1.3 本文的主要工作 | 第15-16页 |
| 1.4 论文的章节安排 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第2章 管道内表面缺陷检测系统总体设计 | 第18-32页 |
| 2.1 引言 | 第18页 |
| 2.2 系统总体架构设计 | 第18-20页 |
| 2.3 系统硬件设计 | 第20-28页 |
| 2.3.1 主动式全景视觉检测装置构成 | 第20-21页 |
| 2.3.2 全方位视觉传感器 | 第21-25页 |
| 2.3.3 投射照明光源设计 | 第25-26页 |
| 2.3.4 ODVS的标定 | 第26-28页 |
| 2.4 系统软件设计 | 第28-31页 |
| 2.4.1 软件总体架构设计 | 第28-29页 |
| 2.4.2 主要功能模块介绍 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于几何特征值的缺陷检测与识别方法 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 全景图像的柱状展开 | 第32-33页 |
| 3.3 全景展开图像预处理 | 第33-39页 |
| 3.3.1 亮度提升单元 | 第33-34页 |
| 3.3.2 直方图均衡 | 第34-35页 |
| 3.3.3 图像二值化 | 第35-38页 |
| 3.3.4 疑似缺陷边缘检测 | 第38页 |
| 3.3.5 管道内壁图像预处理结果 | 第38-39页 |
| 3.4 疑似缺陷的特征提取及识别 | 第39-43页 |
| 3.4.1 几何特征提取 | 第39-40页 |
| 3.4.2 疑似缺陷识别 | 第40-42页 |
| 3.4.3 实验研究与分析 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于深度神经网络的缺陷检测与识别方法 | 第44-60页 |
| 4.1 引言 | 第44页 |
| 4.2 基于CNN的管道内表面缺陷识别方法 | 第44-53页 |
| 4.2.1 卷积神经网络的基本思想 | 第44-46页 |
| 4.2.2 卷积神经网络的结构 | 第46-48页 |
| 4.2.3 卷积神经网络的训练 | 第48-49页 |
| 4.2.4 管道缺陷识别网络框架 | 第49-51页 |
| 4.2.5 实验结果与分析 | 第51-53页 |
| 4.3 基于Faster R-CNN的缺陷识别方法 | 第53-59页 |
| 4.3.1 管道缺陷检测与识别网络结构的设计 | 第54-56页 |
| 4.3.2 Faster R-CNN数据集制作 | 第56-57页 |
| 4.3.3 实验结果与分析 | 第57-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 管道内表面缺陷检测系统实现 | 第60-65页 |
| 5.1 引言 | 第60页 |
| 5.2 系统开发环境 | 第60-61页 |
| 5.3 主要模块实现 | 第61-64页 |
| 5.3.1 基于几何特征值的缺陷识别模块 | 第61-62页 |
| 5.3.2 基于卷积神经网络的缺陷识别模块 | 第62-64页 |
| 5.3.3 管道缺陷检测系统界面 | 第64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 攻读学位期间参加的科研项目和成果 | 第72页 |