| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 工件表面缺陷图像识别方法研究现状 | 第9-16页 |
| 1.1.1 工件表面图像缺陷识别方法关键技术研究现状 | 第10-12页 |
| 1.1.2 基于机器学习的表面图像缺陷识别方法研究现状 | 第12-16页 |
| 1.2 论文主要工作 | 第16-17页 |
| 1.3 论文组织结构安排及课题来源 | 第17-19页 |
| 第2章 工件表面缺陷图像特征研究及实验获取 | 第19-30页 |
| 2.1 工件表面缺陷图像特征研究 | 第19-20页 |
| 2.2 工件表面图像采集实验 | 第20-29页 |
| 2.2.1 铣削加工实验 | 第21-23页 |
| 2.2.2 图像采集实验 | 第23-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 工件表面缺陷图像自适应混合流形聚类识别研究 | 第30-45页 |
| 3.1 图像预处理 | 第30-37页 |
| 3.2 混合流形聚类原理及改进 | 第37-40页 |
| 3.2.1 局部切空间 | 第37-38页 |
| 3.2.2 相似性权值公式改进 | 第38-39页 |
| 3.2.3 相似性矩阵谱聚类 | 第39-40页 |
| 3.3 基于局部密度峰值的自适应聚类 | 第40页 |
| 3.4 缺陷识别结果与分析 | 第40-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 工件表面缺陷图像识别卷积神经网络研究 | 第45-65页 |
| 4.1 工件表面图像数据扩展 | 第45-51页 |
| 4.1.1 图像分割 | 第45-47页 |
| 4.1.2 图像加噪 | 第47页 |
| 4.1.3 基于PCA的图像RGB色彩强度变换 | 第47-48页 |
| 4.1.4 数据集扩展实验及分析 | 第48-51页 |
| 4.2 卷积神经网络结构 | 第51-60页 |
| 4.2.1 卷积神经网络输出结构 | 第51-52页 |
| 4.2.2 卷积神经网络整体结构 | 第52-58页 |
| 4.2.3 激活函数及参数最优化方法 | 第58-60页 |
| 4.3 缺陷识别结果与分析 | 第60-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第73页 |
