| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 钢带表面缺陷识别技术发展展望 | 第15-16页 |
| 1.4 本文工作概述 | 第16页 |
| 1.5 本文组织结构 | 第16-18页 |
| 第二章 图像采集与预处理 | 第18-36页 |
| 2.1 图像数据采集 | 第18-25页 |
| 2.1.1 图像采集中的问题 | 第18-20页 |
| 2.1.2 光源照明解决方案 | 第20-25页 |
| 2.2 原始图像缺陷特征介绍 | 第25-27页 |
| 2.3 图像几何校正 | 第27-30页 |
| 2.3.1 透视变换原理 | 第27-29页 |
| 2.3.2 硅钢钢带缺陷图像校正 | 第29-30页 |
| 2.4 图像缺陷边缘检测 | 第30-32页 |
| 2.4.1 Canny边缘检测原理 | 第30-32页 |
| 2.4.2 硅钢钢带缺陷边缘检测 | 第32页 |
| 2.5 图像缺陷区域填充 | 第32-35页 |
| 2.5.1 区域种子填充算法原理 | 第33-34页 |
| 2.5.2 硅钢钢带缺陷面积 | 第34-35页 |
| 2.6 图像缺陷类型标签标注 | 第35页 |
| 2.7 本章小结 | 第35-36页 |
| 第三章 卷积神经网络与迁移学习 | 第36-54页 |
| 3.1 卷积神经网络结构 | 第36-42页 |
| 3.1.1 卷积层 | 第37页 |
| 3.1.2 激活层 | 第37-40页 |
| 3.1.3 池化层 | 第40-41页 |
| 3.1.4 全连接层 | 第41-42页 |
| 3.2 卷积神经网络训练方法 | 第42-45页 |
| 3.3 模型训练优化算法 | 第45-49页 |
| 3.3.1 梯度下降算法 | 第45-47页 |
| 3.3.2 最新优化算法介绍 | 第47-49页 |
| 3.4 过拟合问题及其解决方法 | 第49-51页 |
| 3.5 CNN的局限 | 第51页 |
| 3.6 迁移学习 | 第51-53页 |
| 3.6.1 迁移学习概述 | 第51-52页 |
| 3.6.2 迁移学习方法 | 第52-53页 |
| 3.7 本章小结 | 第53-54页 |
| 第四章 CNN与迁移学习在硅钢钢带缺陷识别中的应用 | 第54-72页 |
| 4.1 问题描述 | 第54-55页 |
| 4.2 数据集介绍 | 第55-58页 |
| 4.2.1 原始硅钢钢带缺陷数据集 | 第55-56页 |
| 4.2.2 数据集扩增 | 第56-58页 |
| 4.3 构建硅钢钢带迁移学习模型 | 第58-66页 |
| 4.3.1 模型网络结构 | 第59-61页 |
| 4.3.2 模型迁移学习流程 | 第61-64页 |
| 4.3.3 模型参数设置 | 第64-65页 |
| 4.3.4 卷积特征可视化 | 第65-66页 |
| 4.4 实验结果及分析 | 第66-71页 |
| 4.4.1 训练结果分析 | 第66-67页 |
| 4.4.2 测试结果分析 | 第67-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第五章 总结与展望 | 第72-75页 |
| 5.1 全文总结 | 第72-73页 |
| 5.2 研究展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 附录 | 第79-83页 |
| 攻读学位期间的研究成果 | 第83-84页 |
| 致谢 | 第84页 |