| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 TFT-LCD缺陷检测研究现状 | 第14-18页 |
| 1.2.1 传统光学检测方法 | 第15-16页 |
| 1.2.2 基于深度学习的缺陷检测 | 第16-18页 |
| 1.3 本论文主要内容和结构安排 | 第18-20页 |
| 参考文献 | 第20-23页 |
| 第二章 AOI系统中的TFT-LCD缺陷检测 | 第23-35页 |
| 2.1 图像采集 | 第23-25页 |
| 2.2 图像处理相关算法 | 第25-30页 |
| 2.2.1 阈值分割 | 第25-27页 |
| 2.2.2 形态学处理 | 第27-28页 |
| 2.2.3 模板匹配 | 第28-30页 |
| 2.3 检测结果及分析 | 第30-33页 |
| 2.3.1 背板划伤检测 | 第30-31页 |
| 2.3.2 导电粒子压合检测 | 第31-33页 |
| 2.3.3 线路端点定位 | 第33页 |
| 2.4 本章小结 | 第33-34页 |
| 参考文献 | 第34-35页 |
| 第三章 基于卷积神经网络的TFT-LCD线路缺陷分类方法 | 第35-56页 |
| 3.1 深度学习概述 | 第35-37页 |
| 3.2 卷积神经网络(CNN) | 第37-42页 |
| 3.2.1 误差反向传播原理 | 第37-39页 |
| 3.2.2 网络结构 | 第39-42页 |
| 3.3 深度学习计算框架 | 第42-44页 |
| 3.4 数据集构建 | 第44-46页 |
| 3.4.1 数据采集与标准化 | 第44-45页 |
| 3.4.2 数据集划分 | 第45-46页 |
| 3.5 基于卷积神经网络的线路缺陷识别分类 | 第46-51页 |
| 3.5.1 图像预处理 | 第47-49页 |
| 3.5.2 网络模型构建 | 第49-50页 |
| 3.5.3 训练与测试 | 第50-51页 |
| 3.6 实验结果与分析 | 第51-54页 |
| 3.7 本章小结 | 第54-55页 |
| 参考文献 | 第55-56页 |
| 第四章 基于Faster R-CNN的TFT-LCD线路缺陷识别与定位 | 第56-70页 |
| 4.1 目标检测网络 | 第56-58页 |
| 4.2 基于改进的Faster R-CNN线路缺陷识别与定位 | 第58-63页 |
| 4.2.1 检测模型 | 第58-60页 |
| 4.2.2 网络结构设计 | 第60-63页 |
| 4.3 数据集标注与处理 | 第63-65页 |
| 4.4 实验结果与分析 | 第65-68页 |
| 4.5 本章小结 | 第68-69页 |
| 参考文献 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文工作总结 | 第70-71页 |
| 5.2 不足与展望 | 第71-72页 |
| 附录 硕士期间科研成果 | 第72-73页 |
| 致谢 | 第73页 |
