基于R-FCN算法的金属轴表面缺陷检测技术的研究

目录

声明

符号说明

第一章 绪 论

1.1 论文研究背景及意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状与分析

1.2.1 金属轴表面缺陷检测技术的研究现状

1.2.2 机器视觉缺陷检测技术研究现状

1.2.3 R-FCN算法研究现状

1.3 论文主要研究内容与章节安排

1.4 本章小结

第二章 金属轴表面缺陷图像处理

2.1 引言

2.2金属轴表面缺陷分类及图像采集方式

2.3 金属轴表面缺陷图像预处理

2.4 金属轴表面缺陷图像边缘检测分割

2.5 金属轴表面缺陷图像阈值分割及粗筛选

2.6 本章小结

第三章 缺陷图像预处理并行化及数据集制作

3.1 引言

3.2 GPU加速计算

3.3 CUDA架构的编程模型

3.4 CUDA工作流程

3.5 CUDA加速模型训练

3.5.1 CUDNN加速卷积神经网络

3.5.2 CUDA加速模型训练与实验结果

3.6 缺陷图像预处理并行化

3.6.1 缺陷图像双边滤波的并行化

3.6.2 缺陷图像边缘检测的并行化

3.7 预处理并行实验对比

3.8 基于生成对抗网络的数据集制作

3.9 小结

第四章 基于深度学习的金属轴表面缺陷目标检测模型构建

4.1 引言

4.2 深度学习技术分析

4.3 深度卷积神经网络的构成

4.4目标检测算法模型的分析与对比

4.4.1 Fast R-CNN

4.4.2 Faster R-CNN

4.4.3 R-FCN

4.4.4 三种模型结构对比

4.5 基于R-FCN的金属轴表面缺陷检测方案设计

4.5.1 总体方案设计

4.5.2 RPN网络结构设计

4.5.3 特征提取网络结构设计与参数设置

4.5.4 位置敏感分数图与池化

4.5.5 残差注意力机制

4.5.6 非极大值抑制

4.6 R-FCN模型的优化

4.6.1 模型的优化方法设置

4.6.2 学习率设置

4.6.3 滑动平均参数设置

4.7 模型性能评估方法

4.7.1 数据集划分方法

4.7.2 评估方法

4.8 本章小结

第五章 金属表面缺陷检测平台设计搭建与实验分析

5.1 引言

5.2 下位机设计与搭建

5.2.1 设备选型

5.2.2 下位机物理平台总体设计

5.2.3 下位机物理平台搭建

5.3 上位机软件GUI设计

5.4目标检测模型的训练

5.4.1 训练环境搭建

5.4.2 模型的训练步骤

5.4.3 总损失函数

5.5 识别效果分析

5.5.1 目标检测模型识别性能对比

5.5.2 检测结果分析

5.5.3 误差来源分析

5.6 本章小结

第六章 结论与展望

6.1 结论

6.2 创新点

6.3 展望

参考文献

致 谢

作者简介

1 作者简历

2 参与的科研项目及获奖情况

3 发明专利

学位论文数据集