| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 课题的研究背景及意义 | 第14-16页 |
| 1.1.1 研究背景及意义 | 第14-15页 |
| 1.1.2 课题来源 | 第15-16页 |
| 1.2 课题的国内外研究现状 | 第16-20页 |
| 1.2.1 布匹瑕疵检测的研究现状 | 第16-18页 |
| 1.2.2 布匹瑕疵识别的研究现状 | 第18页 |
| 1.2.3 基于CNN的图像识别算法研究现状 | 第18-20页 |
| 1.2.4 目前存在的问题 | 第20页 |
| 1.3 本文的研究内容与章节结构 | 第20-22页 |
| 1.3.1 本文研究内容 | 第20-21页 |
| 1.3.2 本文章节结构 | 第21-22页 |
| 第二章 布匹瑕疵检测识别系统的总体设计 | 第22-32页 |
| 2.1 布匹瑕疵检测系统设计要求 | 第22页 |
| 2.2 布匹质量评分标准 | 第22-23页 |
| 2.3 布匹瑕疵检测识别系统难点分析 | 第23-24页 |
| 2.4 系统总体方案设计与原理 | 第24-26页 |
| 2.5 布匹瑕疵检测识别系统的硬件选型 | 第26-30页 |
| 2.5.1 工业相机选型 | 第26-28页 |
| 2.5.2 镜头的选型 | 第28-29页 |
| 2.5.3 光源的选型 | 第29-30页 |
| 2.6 本章小结 | 第30-32页 |
| 第三章 基于CNN的布匹瑕疵检测识别算法研究与设计 | 第32-52页 |
| 3.1 深度卷积神经网络概要 | 第32-39页 |
| 3.1.1 卷积神经网络基本结构 | 第32-35页 |
| 3.1.2 反向传播算法 | 第35-37页 |
| 3.1.3 Softmax分类器 | 第37-39页 |
| 3.2 基于CNN的布匹瑕疵检测识别算法 | 第39-46页 |
| 3.2.1 建立布匹瑕疵图像数据集 | 第39-40页 |
| 3.2.2 数据集预处理 | 第40-41页 |
| 3.2.3 构建瑕疵分类CNN网络结构与设计网络训练算法 | 第41-45页 |
| 3.2.4 布匹瑕疵检测基本原理 | 第45-46页 |
| 3.3 实验结果与分析 | 第46-50页 |
| 3.3.1 网络模型训练过程 | 第46-47页 |
| 3.3.2 实验结果与对比分析 | 第47-50页 |
| 3.4 本章小结 | 第50-52页 |
| 第四章 CNN模型压缩算法 | 第52-58页 |
| 4.1 基于网络剪枝的模型压缩算法 | 第52-55页 |
| 4.1.1 网络剪枝模型压缩算法 | 第52-53页 |
| 4.1.2 改进的模型压缩算法 | 第53-55页 |
| 4.2 压缩算法测试与分析 | 第55-57页 |
| 4.3 本章小结 | 第57-58页 |
| 第五章 布匹瑕疵检测识别软件系统设计与测试 | 第58-70页 |
| 5.1 开发环境简介 | 第58-59页 |
| 5.1.1 Qt简介 | 第58页 |
| 5.1.2 深度学习框架Caffe简介 | 第58-59页 |
| 5.2 系统用户界面设计 | 第59-65页 |
| 5.2.1 相机控制模块 | 第59-61页 |
| 5.2.2 瑕疵识别模块 | 第61-62页 |
| 5.2.3 识别结果数据处理 | 第62-64页 |
| 5.2.4 质量评估与报告打印模块 | 第64-65页 |
| 5.3 多线程系统优化设计 | 第65-67页 |
| 5.4 系统测试 | 第67-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-80页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第80-82页 |
| 附录 | 第82页 |