| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 工业CT图像缺陷检测研究现状 | 第12-14页 |
| 1.2.1 国内研究现状 | 第12-13页 |
| 1.2.2 国外研究现状 | 第13-14页 |
| 1.3 论文结构及内容安排 | 第14-16页 |
| 2 基于卷积神经网络的目标检测 | 第16-30页 |
| 2.1 卷积神经网络 | 第16-20页 |
| 2.1.1 卷积层 | 第17-18页 |
| 2.1.2 池化层 | 第18-19页 |
| 2.1.3 softmax层 | 第19页 |
| 2.1.4 CNN网络结构 | 第19-20页 |
| 2.2 R-CNN网络结构模型 | 第20-22页 |
| 2.3 FastR-CNN网络结构模型 | 第22-25页 |
| 2.4 FasterR-CNN网络结构模型 | 第25-28页 |
| 2.4.1 区域建议网络 | 第25-27页 |
| 2.4.2 FasterR-CNN网络结构 | 第27-28页 |
| 2.5 小结 | 第28-30页 |
| 3 Faster R-CNN在工业CT图像缺陷检测中的应用研究 | 第30-46页 |
| 3.1 基于Faster R-CNN的工业CT图像缺陷定位与识别 | 第30-31页 |
| 3.2 仿真环境及特征提取模型 | 第31-32页 |
| 3.3 实验结果与分析 | 第32-36页 |
| 3.3.1 缺陷特征与训练集构成 | 第32-33页 |
| 3.3.2 缺陷检测结果 | 第33-36页 |
| 3.4 基于改进FasterR-CNN的缺陷检测 | 第36-45页 |
| 3.4.1 改进后缺陷检测结果 | 第40-41页 |
| 3.4.2 改进后实验结果对比分析 | 第41-45页 |
| 3.5 小结 | 第45-46页 |
| 4 缺陷分割与测量 | 第46-58页 |
| 4.1 常用的图像分割方法 | 第46页 |
| 4.2 图像分割理论概述 | 第46-50页 |
| 4.2.1 形态学重建 | 第47-48页 |
| 4.2.2 Otsu阈值分割法 | 第48-50页 |
| 4.2.3 最大熵阈值分割法 | 第50页 |
| 4.3 基于FasterR-CNN定位的缺陷分割 | 第50-56页 |
| 4.3.1 算法流程及步骤 | 第51页 |
| 4.3.2 实验结果与分析 | 第51-56页 |
| 4.4 缺陷测量 | 第56-57页 |
| 4.5 小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读学位期间的研究成果 | 第64页 |