基于深度卷积神经网络的水工隧洞表面缺陷检测

目录

声明

目 录

1 绪 论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.2.1 传统缺陷检测技术研究现状

1.2.2 深度学习缺陷检测技术研究现状

1.3.1 研究内容

1.3.2 结构安排

1.5 本章小结

2 水工隧洞缺陷图像采集系统

2.1 隧洞机器人巡检系统

2.1.1 系统整体结构

2.1.2 系统硬件结构

2.1.3 系统软件结构

2.2 水工隧洞缺陷图像采集与处理系统

2.2.1 水工隧洞图像采集系统

2.2.2 水工隧洞图像处理系统

2.3 本章小结

3 水工隧洞图像预处理

3.1 隧洞图像数据准备

3.1.1 数据增广技术

3.1.2 图像增强

3.2 基于深度学习的隧洞图像去噪

3.2.1 算法结构

3.2.2 评价指标及降噪结果

3.3 数据标注

3.4 本章小结

4 表面缺陷检测网络模型研究与设计

4.1 基于卷积神经网络的图像分类

4.1.1 卷积神经网络

4.1.2 深度学习框架

4.1.3 基于数据驱动技术的图像分割

4.2 基于全卷积网络缺陷像素级检测

4.2.1 Clique团块

4.2.2 全卷积网络结构

4.3 基于二阶段深度卷积神经网络缺陷检测

4.3.1 算法设计

4.3.2 二阶段网络结构

4.4 水工隧洞缺检测评价指标

4.5 本章小结

5 实验验证与结果分析

5.1 缺陷检测实验平台

5.2 基于全卷积神经网络缺陷检测实验

5.2.1 网络模型训练

5.2.2 不同实验参数影响

5.2.3 实验结果分析

5.3 基于二阶段网络缺陷检测实验

5.3.1 网络模型训练

5.3.2 不同实验参数的影响

5.3.3 实验结果分析

5.4 缺陷图像量化分析

5.4.2 缺陷图像细化

5.4.2 缺陷宽度获取算法

5.4.3 实验结果

5.5 本章小结

总结与展望

致 谢

参考文献

攻读学位期间取得的研究成果