| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 无损检测技术及其特点 | 第10页 |
| 1.2 管道无损检测与管道漏磁检测 | 第10-12页 |
| 1.3 管道漏磁检测缺陷尺寸重建及其算法 | 第12-17页 |
| 1.3.1 缺陷尺寸有限元正演算法 | 第13-14页 |
| 1.3.2 缺陷尺寸机器学习反演算法 | 第14-17页 |
| 1.4 常用缺陷尺寸机器学习反演算法简介 | 第17-18页 |
| 1.4.1 决策树算法 | 第17-18页 |
| 1.4.2 支持向量机算法 | 第18页 |
| 1.4.3 AlexNet算法 | 第18页 |
| 1.5 本文主要研究内容 | 第18-20页 |
| 第2章 缺陷异常区域尺寸窗检测方法与缺陷特征提取 | 第20-38页 |
| 2.1 漏磁原始数据的分析 | 第20-21页 |
| 2.2 漏磁原始数据校准与滤波 | 第21-24页 |
| 2.2.1 漏磁原始数据的中值校准与平均滤波 | 第22-23页 |
| 2.2.2 漏磁数据的高斯滤波 | 第23-24页 |
| 2.3 单峰阙值矩阵法异常区域计算 | 第24-27页 |
| 2.4 差分尺寸窗单峰阙值异常区域检测算法 | 第27-30页 |
| 2.4.1 幅值阈值异常区域计算 | 第27页 |
| 2.4.2 差分尺寸窗漏磁数据异常区域算法 | 第27-30页 |
| 2.5 管道漏磁检测缺陷特征分析提取 | 第30-35页 |
| 2.6 缺陷特征分析提取结果 | 第35-37页 |
| 2.7 本章小结 | 第37-38页 |
| 第3章 基于特征选择与降维的缺陷深度反演机器学习算法 | 第38-66页 |
| 3.1 特征选择与降维 | 第38-41页 |
| 3.1.1 特征选择 | 第38-39页 |
| 3.1.2 特征降维 | 第39-41页 |
| 3.1.3 特征选择与特征提取算法整体流程 | 第41页 |
| 3.2 缺陷深度反演的特征选择与降维结果 | 第41-43页 |
| 3.3 缺陷深度反演决策树算法 | 第43-48页 |
| 3.3.1 决策树算法简介 | 第43-45页 |
| 3.3.2 几种经典的决策树数算法 | 第45-46页 |
| 3.3.3 决策树缺陷深度反演模型算法设计 | 第46-48页 |
| 3.4 基于特征选择与降维的缺陷深度反演支持向量机算法 | 第48-51页 |
| 3.4.1 支持向量机算法简介 | 第48-49页 |
| 3.4.2 支持向量机缺陷宽度反演算法设计 | 第49-51页 |
| 3.5 基于特征选择与降维的缺陷尺寸反演深度学习算法 | 第51-56页 |
| 3.5.1 AlexNet网络简介: | 第52-53页 |
| 3.5.2 AlexNet网络激活函数 | 第53-54页 |
| 3.5.3 AlexNet网络损失函数 | 第54-55页 |
| 3.5.4 Alexnet反演机器学习反演算法设计 | 第55-56页 |
| 3.6 实验算法设计 | 第56-57页 |
| 3.7 实验结果 | 第57-64页 |
| 3.7.1 缺陷特征反演结果指标 | 第57-58页 |
| 3.7.2 基于特征选择与降维的决策树算法实验 | 第58-60页 |
| 3.7.3 基于特征选择与降维的SVR算法实验 | 第60-62页 |
| 3.7.4 基于特征选择与降维的AlexNet算法实验 | 第62-64页 |
| 3.8 本章小结 | 第64-66页 |
| 第4章 基于尺寸信息融合缺陷深度反演机器学习算法 | 第66-82页 |
| 4.1 基于尺寸信息融合的缺陷深度反演机器学习算法 | 第66-67页 |
| 4.2 缺陷长度反演的特征选择与降维结果 | 第67-69页 |
| 4.3 缺陷宽度反演的特征选择与降维结果 | 第69-71页 |
| 4.4 基于尺寸信息融合的缺陷深度决策树实验 | 第71-74页 |
| 4.5 基于尺寸信息融合的缺陷深度反演SVR算法实验 | 第74-77页 |
| 4.6 基于尺寸信息融合的缺陷深度反演AlexNet实验 | 第77-80页 |
| 4.7 本章小结 | 第80-82页 |
| 第5章 总结与展望 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 致谢 | 第88-90页 |
| 攻读硕士期间科研情况 | 第90页 |
