基于深度学习的玻璃缺陷识别方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 玻璃缺陷识别方法的发展和国内外现状 | 第10-11页 |
| 1.2.2 深度学习在图像领域的发展与研究现状 | 第11-12页 |
| 1.3 本文研究内容及安排 | 第12-14页 |
| 第二章 基于深度学习的玻璃缺陷识别方法 | 第14-20页 |
| 2.1 研究目标 | 第14页 |
| 2.2 研究方法评价标准 | 第14-15页 |
| 2.3 玻璃缺陷数据库的建立 | 第15-17页 |
| 2.4 研究方案设计 | 第17-18页 |
| 2.5 实验环境 | 第18页 |
| 2.6 本章小结 | 第18-20页 |
| 第三章 玻璃缺陷的深度学习网络的确定 | 第20-44页 |
| 3.1 SoftMax分类器基本理论 | 第20-22页 |
| 3.1.1 Logistic回归 | 第20-21页 |
| 3.1.2 SoftMax回归 | 第21-22页 |
| 3.2 基于前馈神经网络的玻璃缺陷识别 | 第22-29页 |
| 3.2.1 前馈神经网络基本理论 | 第22-26页 |
| 3.2.2 实验方法 | 第26-27页 |
| 3.2.3 实验结果及分析 | 第27-29页 |
| 3.3 基于堆栈自编码网络的玻璃缺陷识别 | 第29-36页 |
| 3.3.1 堆栈自编码网络基本理论 | 第29-32页 |
| 3.3.2 实验方法 | 第32-34页 |
| 3.3.3 实验结果及分析 | 第34-36页 |
| 3.4 基于卷积神经网络的玻璃缺陷识别 | 第36-43页 |
| 3.4.1 卷积神经网络基本理论 | 第36-39页 |
| 3.4.2 实验方法 | 第39-41页 |
| 3.4.3 实验结果及分析 | 第41-43页 |
| 3.5 实验结果对比分析 | 第43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 卷积神经网络的改进方法研究 | 第44-54页 |
| 4.1 图像白化 | 第45-47页 |
| 4.1.1 PCA白化和ZCA白化 | 第45-46页 |
| 4.1.2 ZCA白化处理图像 | 第46-47页 |
| 4.2 遗传算法优化自编码器 | 第47-52页 |
| 4.2.1 遗传算法及实现细节介绍 | 第47-49页 |
| 4.2.2 遗传算法优化自编码器初始权值 | 第49-52页 |
| 4.3 改进型卷积神经网络对玻璃缺陷识别 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第62-63页 |
| 致谢 | 第63-64页 |
