| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 织物疵点检测方法的研究现状 | 第10-13页 |
| 1.2.1.1 基于空间域的织物疵点国内外研究现状对比 | 第11页 |
| 1.2.1.2 基于频率域的织物疵点国内外研究现状对比 | 第11-13页 |
| 1.2.2 织物疵点检测现状面临的问题 | 第13-14页 |
| 1.3 论文章节安排 | 第14-15页 |
| 第2章 基于串行织物疵点检测算法介绍 | 第15-29页 |
| 2.1 快速傅里叶变换算法的基本原理 | 第15-16页 |
| 2.2 二维图像FFT运算原理及流程 | 第16-18页 |
| 2.3 Hough变换 | 第18-20页 |
| 2.3.1 Hough变换原理 | 第18-19页 |
| 2.3.2 Hough变换检测直线 | 第19-20页 |
| 2.3.2.1 Hough变换检测直线优势 | 第20页 |
| 2.3.2.2 Hough变换检测直线劣势 | 第20页 |
| 2.4 逆向传播神经网络模型 | 第20-29页 |
| 2.4.1 BP神经网络训练方法 | 第22-27页 |
| 2.4.2 串行BP神经网络织物疵点检测步骤 | 第27-29页 |
| 第3章 基于并行算法的开发平台 | 第29-38页 |
| 3.1 CUDA架构简介 | 第29-31页 |
| 3.2 CUDA架构下的GPU硬件结构 | 第31-33页 |
| 3.3 CUDA软件体系 | 第33-38页 |
| 3.3.1 CUDA的存储器模型 | 第33-35页 |
| 3.3.2 CUDA编程模型 | 第35-38页 |
| 第4章 基于并行算法的快速傅里叶变换织物疵点检测方法 | 第38-45页 |
| 4.1 快速傅里叶变换算法的并行化 | 第38-42页 |
| 4.1.1 快速傅里叶变换算法并行化思路 | 第38-40页 |
| 4.1.2 二维图像快速傅里叶变换的CUDA实现 | 第40-42页 |
| 4.2 基于并行算法的快速傅里叶变换疵点检测步骤 | 第42-43页 |
| 4.3 性能分析和对比 | 第43-44页 |
| 4.4 小结 | 第44-45页 |
| 第5章 基于并行算法的霍夫变换织物飞线疵点检测方法 | 第45-58页 |
| 5.1 织物图像的预处理 | 第45-50页 |
| 5.1.1 织物飞线瑕疵图像的预处理 | 第45-46页 |
| 5.1.2 彩色图像转换成灰度图像 | 第46-47页 |
| 5.1.3 canny边缘检测算子 | 第47-50页 |
| 5.2 基于互相关系数的织物图像检测 | 第50-51页 |
| 5.3 霍夫变换并行算法的基本思路 | 第51-53页 |
| 5.4 Hough变换织物飞线疵点检测的并行实现 | 第53-57页 |
| 5.4.1 Hough变换检测直线的并行实现 | 第53-55页 |
| 5.4.2 Hough变换检测织物飞线疵点的并行实现 | 第55-57页 |
| 5.5 性能分析和对比 | 第57页 |
| 5.6 小结 | 第57-58页 |
| 第6章 基于并行算法的BP神经网络织物疵点检测方案 | 第58-72页 |
| 6.1 逆向传播神经网络的并行化 | 第58-66页 |
| 6.1.1 串行逆向传播神经网络并行化思路 | 第58-61页 |
| 6.1.2 逆向传播神经网络的并行性分析及优化 | 第61-66页 |
| 6.1.2.1 逆向传播神经网络的并行性分析 | 第61-63页 |
| 6.1.2.2 逆向传播神经网络的并行优化 | 第63-66页 |
| 6.2 织物图像的预处理及特征值提取 | 第66-67页 |
| 6.2.1 直方图均衡化 | 第66页 |
| 6.2.2 织物图像窗口分割及小波分解 | 第66页 |
| 6.2.3 灰度化处理 | 第66-67页 |
| 6.2.4 织物图像的特征值提取 | 第67页 |
| 6.3 基于GPU的BP神经网络的疵点检测 | 第67-69页 |
| 6.4 性能分析和对比 | 第69-71页 |
| 6.5 小结 | 第71-72页 |
| 第7章 总结与展望 | 第72-74页 |
| 7.1 论文研究总结 | 第72-73页 |
| 7.2 论文不足及展望 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 攻读硕士学位期间发表的学术论文 | 第77-78页 |
| 致谢 | 第78页 |
