基于深度学习的刨花板表面缺陷实时检测系统研究

目录

声明

第1章 绪论

1.1 刨花板表面缺陷实时检测系统的研究背景

1.2 刨花板表面缺陷实时检测系统研发的现实意义

1.2.1 系统产生经济效益意义

1.2.2 系统产生社会效益意义

1.3 国内外刨花板表面缺陷检测研究现状

1.3.1 刨花板表面缺陷检测系统研发

1.3.2 刨花板表面缺陷检测算法进展

1.3.3 相关产品表面缺陷检测方法及系统现状

1.4 现有存在的问题

1.5 研究内容及章节安排

1.6 技术路线

第2章 机器视觉目标检测相关理论和算法

2.1 机器视觉技术

2.2 传统目标检测方法

2.3 深度学习目标检测方法

2.3.1 “两阶段”目标检测算法

2.3.2 “一阶段”目标检测算法

2.4 YOLO v3目标检测算法

2.5 本章小结

第3章 Compact-Yolo-Net网络模型的原理及模型训练

3.1 引言

3.2 卷积神经网络基本原理

3.2.1 卷积（Convolution）

3.2.2 池化（Pooling）

3.2.3 全连接（Fully Connected）

3.3 Compact-Yolo-Net 网络模型设计与搭建

3.3.1 输入层设计

3.3.2 构建残差块

3.3.3 模型的输出

3.4 模型优化

3.4.1 选取预测框优化

3.4.2 损失函数优化

3.5 网络模型训练与测试

3.5.1 构建刨花板表面图像数据集

3.5.2 模型训练和测试

3.6 本章小结

第4章 刨花板表面缺陷实时检测系统搭建

4.1 系统整体设计

4.2 光源

4.2.1 光源设备选择

4.2.2 LED阵列光源的构建

4.3 工业相机选型

4.3.1 JAI SP-5000M-CXP4 高速高分辨率工业相机

4.3.2 相机曝光时间设定

4.4 相机安装高度计算

4.5 板材定级分仓控制方案及软件系统

4.5.1 系统电气控制柜设计

4.5.2 RS232 串行通讯

4.6 人机交互界面设计

4.7 本章小结

第5章 刨花板表面缺陷实时检测系统应用

5.1 系统硬件平台现场搭建

5.2 应用结果

5.2.1 检测实时性

5.2.2 检测准确率

5.3 检测算法比较

5.4 本章小结

第6章 总结与展望

6.1 总结

6.2 展望

参考文献

附 录

附录一 Compact-Yolo-Net 网络模型结构

附录二缺陷检测部分验证结果

后 记

攻读硕士学位期间论文发表及科研情况