声明
1 绪论
1.1 课题来源
1.2 研究背景和意义
1.3 研究现状
1.3.1 表面缺陷检测的研究现状
1.3.2 显著性检测方法的研究现状
1.3.3 机器学习检测方法的研究现状
1.3.4 视觉缺陷检测方法总结
1.4 本文的研究内容和结构安排
1.4.1 研究内容
1.4.2 论文组织结构
2 总体方案设计
2.1 工业产品的表面缺陷
2.1.1 缺陷类型
2.1.2 真实缺陷与伪缺陷
2.2 检测系统的结构设计
2.3 总体方案设计
2.4 算法具体实现
2.5 本章小结
3 特征提取与显著性检测
3.1 显著性缺陷检测方法
3.1.1 显著性检测类型
3.1.2 显著性检测
3.1.3 显著性方法的优势与劣势
3.2 缺陷图像的特征描述方法
3.2.1 特征提取方法
3.2.2 人工特征提取方法
3.2.3 特征自提取
3.4 本章小结
4 基于孪生卷积网络的相似度模型
4.1 基于深度学习的缺陷检测方法
4.1.1 卷积神经网络提取图像特征
4.1.2 激活函数的选择
4.1.3 卷积神经网络结构选取
4.1.4 卷积神经网络的优缺点分析
4.2 孪生卷积网络
4.2.1 网络结构的设计
4.2.2 损失函数的设计
4.3 相似度模型训练的数据集与预处理
4.3.1 数据增强
4.3.2 模型优化-随机失活
4.4 本章小结
5 实验结果与分析
5.1 实验环境
5.2 孪生网络的自提取特征可视化
5.3 相似度模型训练分析
5.4 孪生卷积网络检测效果
5.5 与人工特征的对比实验
5.6 本章小结
6 总结与展望
6.1 全文总结
6.2 研究展望
致谢
参考文献
