|
基于视频分析的动态纹理缺陷检测 | |
论文目录 | |
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 课题目标与主要研究内容 | 第13-15页 |
| 1.4 文章结构安排 | 第15-16页 |
| 第二章 关键技术基础 | 第16-28页 |
| 2.1 神经网络技术基础 | 第16-21页 |
| 2.1.1 人工神经网络 | 第16-18页 |
| 2.1.2 卷积神经网络 | 第18-19页 |
| 2.1.3 循环神经网络 | 第19-21页 |
| 2.2 视频图像分割算法 | 第21-24页 |
| 2.2.1 FCN模型 | 第21-22页 |
| 2.2.2 OSVOS模型 | 第22-23页 |
| 2.2.3 DFF模型 | 第23-24页 |
| 2.3 目标检测模型 | 第24-27页 |
| 2.3.1 Faster R-CNN模型 | 第24-25页 |
| 2.3.2 YOLO模型 | 第25-26页 |
| 2.3.3 SSD模型 | 第26-27页 |
| 2.3.4 RetinaNet模型 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于弱时序信息的双分支视频目标分割算法 | 第28-42页 |
| 3.1 网络模型整体结构 | 第28-30页 |
| 3.2 网络模型结构解析 | 第30-33页 |
| 3.2.1 基于残差网络的目标特征提取 | 第30-31页 |
| 3.2.2 基于浅层卷积的时序信息提取 | 第31-32页 |
| 3.2.3 多特征融合 | 第32-33页 |
| 3.3 模型训练细节及实验设置 | 第33-35页 |
| 3.4 模型实验结果及分析 | 第35-41页 |
| 3.4.1 实验数据集与评价标准 | 第35页 |
| 3.4.2 实验结果分析 | 第35-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于视频序列预测的缺陷快速检测算法 | 第42-59页 |
| 4.1 基于视频序列的缺陷检测问题概述 | 第42页 |
| 4.2 基于预测模型的视频异常检测 | 第42-50页 |
| 4.2.1 视频序列的时间特性分析 | 第43-44页 |
| 4.2.2 基于Attention-LSTM的视频序列预测模型 | 第44-46页 |
| 4.2.3 实验结果分析 | 第46-50页 |
| 4.3 基于目标检测模型的纹理缺陷检测 | 第50-56页 |
| 4.3.1 缺陷数据介绍 | 第50-51页 |
| 4.3.2 模型训练细节 | 第51-53页 |
| 4.3.3 实验结果分析 | 第53-56页 |
| 4.4 基于视频序列预测的缺陷快速检测算法 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 基于视频分析的动态纹理缺陷检测软件 | 第59-68页 |
| 5.1 基于视频分析的缺陷检测软件结构 | 第59-61页 |
| 5.1.1 软件结构及工作流程 | 第59-60页 |
| 5.1.2 软件的模块划分 | 第60-61页 |
| 5.2 基于视频分析的缺陷检测软件实现 | 第61-65页 |
| 5.2.1 视频目标分割模块实现 | 第61-62页 |
| 5.2.2 视频序列异常检测模块实现 | 第62-63页 |
| 5.2.3 缺陷目标检测模块实现 | 第63-64页 |
| 5.2.4 基于视频分析的缺陷检测软件界面实现 | 第64-65页 |
| 5.3 基于视频分析的缺陷检测软件测试 | 第65-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 本文工作总结 | 第68-69页 |
| 6.2 未来工作展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
本篇论文共74页，点击
这进入下载页面 |
|
| Copyright(C) All Rights Reserved |
| 客服QQ：304386486 |
| 目录由用户 温** 提供，作者删除入口请点击这里 |