基于深度学习的工业品不规则缺陷检测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 国外研究现状 | 第15-16页 |
| 1.2.2 国内研究现状 | 第16-17页 |
| 1.3 研究内容 | 第17-21页 |
| 1.3.1 本文主要工作 | 第17-18页 |
| 1.3.2 本文难点以及创新点 | 第18页 |
| 1.3.3 论文技术路线 | 第18-21页 |
| 第2章 缺陷检测相关理论 | 第21-37页 |
| 2.1 图像增强处理相关方法 | 第21-25页 |
| 2.1.1 灰度变换 | 第22-23页 |
| 2.1.2 图像平滑 | 第23-24页 |
| 2.1.3 图像锐化 | 第24-25页 |
| 2.2 深度学习相关理论知识 | 第25-36页 |
| 2.2.1 卷积神经网络 | 第26-31页 |
| 2.2.2 基于深度学习的目标检测算法 | 第31-36页 |
| 2.3 本章小结 | 第36-37页 |
| 第3章 工业品缺陷检测系统的框架设计 | 第37-47页 |
| 3.1 工业品缺陷检测的需求 | 第37-38页 |
| 3.2 工业品缺陷检测主要难点 | 第38-39页 |
| 3.3 检测系统框架设计 | 第39-45页 |
| 3.3.1 工业品缺陷检测特征分析 | 第39页 |
| 3.3.2 样本准备阶段 | 第39-41页 |
| 3.3.3 模型的选择与搭建 | 第41-43页 |
| 3.3.4 模型优化 | 第43-44页 |
| 3.3.5 模型轻量化处理 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第4章 图像采集和样本准备 | 第47-63页 |
| 4.1 现场图像采集的工装设计 | 第47-52页 |
| 4.1.1 照相设备选型 | 第47页 |
| 4.1.2 光源设备选择 | 第47-48页 |
| 4.1.3 样本采集装置设计 | 第48-52页 |
| 4.2 样本标注阶段 | 第52-53页 |
| 4.3 图像增强处理 | 第53-60页 |
| 4.3.1 缺陷不明显的处理方法 | 第54-56页 |
| 4.3.2 缺陷不规则、且存在干扰因素的处理方法 | 第56-60页 |
| 4.3.3 大批量多目标检测的处理方法 | 第60页 |
| 4.4 本章小结 | 第60-63页 |
| 第5章 检测模型的构建、训练和优化 | 第63-87页 |
| 5.1 网络模型的构建 | 第63-66页 |
| 5.2 相关参数设置 | 第66-70页 |
| 5.2.1 默认框的设置 | 第66-68页 |
| 5.2.2 默认框匹配方式 | 第68-69页 |
| 5.2.3 损失函数的构成 | 第69-70页 |
| 5.3 模型训练过程 | 第70-74页 |
| 5.3.1 训练原理 | 第70-71页 |
| 5.3.2 检测流程 | 第71-74页 |
| 5.4 检测结果分析 | 第74-78页 |
| 5.5 模型优化方式 | 第78-85页 |
| 5.5.1 非极大值抑制算法 | 第78-83页 |
| 5.5.2 数据增强 | 第83-85页 |
| 5.6 本章小结 | 第85-87页 |
| 第6章 模型压缩与系统轻量化 | 第87-101页 |
| 6.1 系统模型的轻量化处理方式 | 第87-96页 |
| 6.1.1 重复剪枝 | 第87-89页 |
| 6.1.2 稀疏矩阵压缩存储 | 第89-92页 |
| 6.1.3 权值共享和量化 | 第92-96页 |
| 6.2 模型压缩效果分析 | 第96-99页 |
| 6.3 本章小结 | 第99-101页 |
| 第7章 结论与展望 | 第101-103页 |
| 7.1 结论 | 第101页 |
| 7.2 展望 | 第101-103页 |
| 参考文献 | 第103-107页 |
| 致谢 | 第107-109页 |
| 攻读学位期间参加的科研项目和成果 | 第109页 |
