学位专题

封面
声明
中文摘要
英文摘要
目录
第1章绪论
1.1 课题背景与意义
1.1.1 课题来源
1.1.2 课题背景与研究意义
1.2 国内外研究现状
1.2.1 传统图像处理在缺陷检测领域的研究现状
1.2.2 深度学习在缺陷检测领域的研究现状
1.2.3 胶水缺陷检测领域的研究现状
1.3 本文研究内容
第2章 U-Net网络基本理论
2.1 U-Net网络
2.1.1 卷积层
2.1.2 下采样与上采样
2.1.3 批标准化层
2.1.4 激活层
2.1.5 编码-解码结构及部分衍生网络
2.2 优化器和学习率衰减策略
2.2.1 自适应矩估计优化器
2.2.2 余弦退火学习率衰减策略
2.3 损失函数
2.3.1 交叉熵损失函数
2.3.2 Dice损失函数
2.4 评价指标
2.4.1 交并比
2.4.2 像素准确率
2.4.3 浮点运算量
2.4.4 参数量和模型尺寸
2.4.5 帧率
2.5 本章小结
第3章胶水数据集的构建和扩充
3.1 图像采集系统搭建
3.2 传统数据增强方法
3.2.1 几何及色彩空间变换
3.2.2 随机擦除及改进
3.3 区域掩膜生成对抗网络
3.3.1 网络构成
3.3.2 损失构成
3.4 labelme的二次开发及数据标注
3.5 本章小结
第4章 U-Net改进及实验验证
4.1 实验环境及参数设置
4.1.1 实验环境
4.1.2 实验参数
4.2 基于U-Net改进的轻量分割网络模型
4.2.1 轻量U-Net分割网络模型
4.2.2 卷积注意力模块的改进
4.2.3 上下文引导模块的改进
4.2.4 深度可分离卷积
4.2.5 嵌入CBAM和CG-Block的轻量U-Net分割网络模型
4.3 胶体缺陷及胶水分割实验
4.3.1 单阶段分割实验
4.3.2 双阶段分割实验
4.4 消融实验
4.4.1 CBAM的消融实验
4.4.2 CG-Block的消融实验
4.4.3 卷积方式的消融实验
4.4.4 上采样方式的消融实验
4.5 小样本分割实验
4.6 模型对比实验
4.7 本章小结
第5章摄像头模组组装用胶缺陷检测及部署
5.1 数据准备及工业评价指标
5.2 胶体缺陷检测
5.3 点胶缺陷检测
5.3.1 基于分割结果检测
5.3.2 基于深度学习模型分类检测
5.4 部署
5.5 本章小结
结论
参考文献
攻读硕士学位期间发表的学术论文及获得成果
致谢