| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第13-23页 |
| 1.1 引言 | 第13-14页 |
| 1.2 圆检测技术研究现状 | 第14-16页 |
| 1.2.1 传统圆检测方法 | 第14-15页 |
| 1.2.2 复合材料圆孔检测发展现状 | 第15-16页 |
| 1.3 深度学习的发展以及应用 | 第16-21页 |
| 1.3.1 卷积神经网络简介 | 第16-19页 |
| 1.3.2 半监督深度学习方法简介 | 第19-21页 |
| 1.4 论文的提出、研究内容及总体框架 | 第21-23页 |
| 1.4.1 论文的提出 | 第21页 |
| 1.4.2 论文主要研究内容 | 第21-22页 |
| 1.4.3 论文总体框架 | 第22-23页 |
| 2 基于LBP改进的纹理分割算法 | 第23-28页 |
| 2.1 引言 | 第23-24页 |
| 2.2 LBP算法原理 | 第24-25页 |
| 2.3 基于LBP改进的纹理分割算法—LEP | 第25-27页 |
| 2.3.1 算法原理 | 第25-26页 |
| 2.3.2 纹理分割实验对比 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 基于纹理分割的圆孔检测算法 | 第28-44页 |
| 3.1 引言 | 第28页 |
| 3.2 分割图像的预处理 | 第28-30页 |
| 3.3 提取候选圆轮廓 | 第30-41页 |
| 3.3.1 边缘检测和轮廓提取 | 第30-32页 |
| 3.3.2 轮廓匹配 | 第32-34页 |
| 3.3.3 随机分段椭圆拟合 | 第34-37页 |
| 3.3.4 利用主动轮廓模型优化椭圆轮廓 | 第37-40页 |
| 3.3.5 计算圆直径 | 第40-41页 |
| 3.4 实验结果与分析 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 4 基于深度学习的半监督圆孔检测方法 | 第44-72页 |
| 4.1 引言 | 第44-45页 |
| 4.2 半监督语义标签的生成 | 第45-46页 |
| 4.3 语义分割网络发展概述 | 第46-53页 |
| 4.4 基于U-Net改进的tiny U-Net网络 | 第53-63页 |
| 4.4.1 网络结构及原理 | 第53-57页 |
| 4.4.2 数据的预处理 | 第57-59页 |
| 4.4.3 模型的详细训练过程 | 第59-61页 |
| 4.4.4 损失函数 | 第61-63页 |
| 4.5 基于对抗学习的多模型集成 | 第63-65页 |
| 4.6 实验及结果分析 | 第65-70页 |
| 4.6.1 数据集和评价指标 | 第65-67页 |
| 4.6.2 分割实验结果对比 | 第67-69页 |
| 4.6.3 检测实验结果对比 | 第69-70页 |
| 4.7 本章小结 | 第70-72页 |
| 5 总结与展望 | 第72-75页 |
| 5.1 总结 | 第72-73页 |
| 5.2 展望 | 第73-75页 |
| 参考文献 | 第75-79页 |