| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景与意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.3 本文研究内容 | 第9页 |
| 1.4 本文结构安排 | 第9-10页 |
| 1.5 本章小结 | 第10-11页 |
| 第二章 基础理论介绍 | 第11-36页 |
| 2.1 传统缺陷检测方法 | 第11-12页 |
| 2.2 图像处理算法 | 第12-14页 |
| 2.2.1 颜色特征 | 第12-13页 |
| 2.2.2 纹理特征 | 第13-14页 |
| 2.2.3 形状特征 | 第14页 |
| 2.2.4 空间关系特征 | 第14页 |
| 2.3 机器学习算法介绍 | 第14-18页 |
| 2.3.1 K-means算法 | 第15-16页 |
| 2.3.2 SVM算法 | 第16-18页 |
| 2.4 深度学习常用方法 | 第18-35页 |
| 2.4.1 限制玻尔兹曼机 | 第18-19页 |
| 2.4.2 深度置信网络 | 第19-20页 |
| 2.4.3 自编码机 | 第20-21页 |
| 2.4.4 卷积神经网络 | 第21-28页 |
| 2.4.5 Network in network网络 | 第28-30页 |
| 2.4.6 Google Net网络 | 第30-32页 |
| 2.4.7 ResNet网络 | 第32-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于K-means与SVM的鸡蛋缺陷检测 | 第36-43页 |
| 3.1 算法框架 | 第36-40页 |
| 3.2 实验数据处理 | 第40-41页 |
| 3.3 鸡蛋缺陷检测实验 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于多路卷积神经网路的鸡蛋缺陷检测 | 第43-52页 |
| 4.1 算法框架 | 第43-47页 |
| 4.2 实验数据处理 | 第47-48页 |
| 4.2.1 数据集扩大 | 第47-48页 |
| 4.2.2 数据不平衡 | 第48页 |
| 4.3 鸡蛋缺陷检测实验 | 第48-51页 |
| 4.3.1 实验工具的介绍 | 第48-49页 |
| 4.3.2 鸡蛋图像处理 | 第49页 |
| 4.3.3 鸡蛋缺陷检测实验 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 基于多路卷积残差网络的鸡蛋缺陷检测 | 第52-59页 |
| 5.1 算法框架 | 第52-55页 |
| 5.2 实验数据处理 | 第55页 |
| 5.3 鸡蛋缺陷检测实验 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 论文主要工作总结 | 第59-60页 |
| 6.2 研究展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 附录 | 第65-66页 |
| 图版 | 第66-67页 |
| 表版 | 第67-68页 |