基于卷积神经网络的金相分析与品质评价技术研究
| 摘要 | 第9-10页 |
| Abstract | 第10-11页 |
| 第1章 绪论 | 第15-24页 |
| 1.1 引言 | 第15-17页 |
| 1.2 课题背景及意义 | 第17-18页 |
| 1.3 国内外研究现状 | 第18-21页 |
| 1.3.1 金相定量分析国内外研究现状 | 第18-21页 |
| 1.3.2 机器视觉与图像处理 | 第21页 |
| 1.4 本文主要工作 | 第21-23页 |
| 1.4.1 研究目标 | 第21-22页 |
| 1.4.2 研究存在的难点及待解决问题 | 第22页 |
| 1.4.3 文章总体安排 | 第22-23页 |
| 1.5 本章小结 | 第23-24页 |
| 第2章 低秩矩阵理论与深度学习神经网络 | 第24-32页 |
| 2.1 低秩矩阵理论 | 第24-25页 |
| 2.1.1 鲁棒主成分分析 | 第24-25页 |
| 2.2 深度学习神经网络 | 第25-30页 |
| 2.2.1 前馈神经网络 | 第25-26页 |
| 2.2.2 卷积神经网络 | 第26页 |
| 2.2.3 激活函数 | 第26-28页 |
| 2.2.4 反向传播 | 第28-30页 |
| 2.3 金相图像处理流程 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 改进的矩阵低秩稀疏分解算法与预处理 | 第32-48页 |
| 3.1 金相图像获取 | 第32-34页 |
| 3.1.1 试样制备与图像获取 | 第32-33页 |
| 3.1.2 材料分析实验 | 第33-34页 |
| 3.2 改进的矩阵低秩稀疏分解去噪算法 | 第34-37页 |
| 3.2.1 矩阵低秩稀疏分解去噪模型 | 第34-35页 |
| 3.2.2 改进的矩阵低秩稀疏分解去噪算法 | 第35-37页 |
| 3.2.3 评判标准 | 第37页 |
| 3.3 算法对比实验 | 第37-41页 |
| 3.4 GCr15金相图像预处理 | 第41-47页 |
| 3.4.1 金相图像去噪 | 第41-43页 |
| 3.4.2 金相图像直方图分布特性 | 第43-45页 |
| 3.4.3 数据集处理 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于U-Net的GCr15金相组织分割 | 第48-67页 |
| 4.1 分割算法研究 | 第48-56页 |
| 4.1.1 FCM算法 | 第48-50页 |
| 4.1.2 阈值分割及Canny算子 | 第50-54页 |
| 4.1.3 活动轮廓算法 | 第54-56页 |
| 4.2 改进的U-Net卷积神经网络 | 第56-62页 |
| 4.2.1 U-Net卷积神经网络 | 第56-57页 |
| 4.2.2 改进U-Net模型 | 第57-61页 |
| 4.2.3 损失函数 | 第61-62页 |
| 4.3 改进U-Net模型在金相图像中的分割 | 第62-66页 |
| 4.3.1 实验环境搭建 | 第62页 |
| 4.3.2 评判标准 | 第62页 |
| 4.3.3 碳化物分割 | 第62-65页 |
| 4.3.4 分割结果对比 | 第65-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第5章 GCr15 金相图像定量分析 | 第67-71页 |
| 5.1 GCr15 中的碳化物组织 | 第67-70页 |
| 5.1.1 碳化物面积计算 | 第67-68页 |
| 5.1.2 碳化物圆形度特征与直径分布 | 第68-70页 |
| 5.2 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78-79页 |
| 附录A 攻读硕士学位期间发表的论文 | 第79页 |
