基于深度学习的FPC表面缺陷检测技术研究

声明

1 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 深度学习起源与发展

1.2.2 CNN及其在 CV 中的应用和发展

1.2.3 基于光学的工件表面缺陷检测技术研究现状

1.3 论文完成的工作及章节安排

1.3.1 论文完成的工作

1.3.2 全文章节安排

2 基于透视变换的FPC图像配准方法

2.1 FPC图像采集存在的问题

2.2 基于 SURF特征和感知哈希算法的图像配准方法

2.2.1 SURF特征

2.2.2 感知哈希算法

2.2.3 透视变换

2.2.4 图像配准方案设计

2.2.5 图像配准实验

2.3 基于模板匹配的图像配准方法

2.3.1 模板匹配

2.3.2 图像配准方案设计

2.3.3 图像配准实验

2.4 所提方法的局限性分析

2.5 本章小结

3 基于深度学习的FPC表面缺陷检测方案

3.1 FPC表面缺陷检测的难题

3.2 卷积神经网络 FDNet的设计

3.3 FPC表面缺陷检测方案的设计

3.3.1 图像预处理

3.3.2 模型训练

3.3.3 缺陷检测

3.4 FPC表面缺陷检测实验

3.5 本章小结

4 FPC表面缺陷检测Toolkit 设计和实现

4.1 Qt和 Caffe简介

4.1.1 Qt简介

4.1.2 Caffe简介

4.2 软件架构设计

4.3 软件模块设计

4.3.1 工程信息模块

4.3.2 图形用户界面模块

4.3.3 图像预处理模块

4.3.4 缺陷标注模块

4.3.5 样本采集模块

4.3.6 模型训练模块

4.3.7 模型测试模块

4.3.8 API 接口

4.3.9 异常处理机制

4.4 本章小结

5 总结与展望

5.1 总结

5.2 展望

致谢

参考文献

附 录