一、Model Tests of Pile Defect Detection（论文文献综述）
赵爽,吴君涛,邱欣晨,王奎华,涂园[1]（2021）在《基于水平低应变法的高承台桩缺陷检测研究》文中研究说明通过模型试验探究高承台桩埋藏段存在不同尺寸缺陷时的桩身质点水平速度响应,结合有限元（FEA）分析试验结果.结果表明,基于桩的水平振动特性的低应变检测方法可以用于识别高承台桩桩身缺陷,且缺陷处截面直径越小,桩身质点水平速度响应曲线中缺陷处反射越明显.随着缺陷高度的变化,缺陷处顶、底面反射信号可能会产生叠加或分离现象,导致不同缺陷高度下缺陷反射的波形不一致.在数值模拟中,当采用柔性剪切梁单元模拟高承台桩时,数值模拟结果和试验结果吻合较好.在实际工程中,当应用水平低应变法检测桩身完整性时,推荐采取近承台处激振、近承台处速度采集,可以根据缺陷处反射起振时间较精确地计算桩身缺陷埋深.
李康[2]（2021）在《结合对抗自编码器与LBP编码的安瓿瓶外观缺陷检测》文中进行了进一步梳理产品缺陷检测是工业生产过程中重要环节之一,它保证了产品的质量和性能。实际生产过程中难以收集多种缺陷的安瓿瓶样本,因而可将安瓿瓶表观缺陷检测视为基于正样本的异常检测问题。本文对异常检测技术研究现状进行总结,在此基础上,进行安瓿瓶外观缺陷检测研究,并将研究成果与工业生产应用相结合。本文的主要工作如下:1.结合对抗自编码器与LBP编码的安瓿瓶外观缺陷检测模型的研究。基于自编码器完成关于安瓿瓶无缺陷样本的灰度图像建模,实现了结合对抗学习与LBP编码的安瓿瓶外观缺陷检测。在生成器部分,基于训练样本和已知标签的异常样本同时进行两次编码操作,获取原图像与重构图像中两个编码向量的差值向量的模;进一步,引入基于加权最小错误率的最优阈值估计策略,实现基于最优阈值的异常类别判定,同时借助热力图直观展示缺陷图像中的具体区域;最后,基于T-SNE二维可视化方式,验证生成器编码向量关于缺陷有无的鉴别能力。基于原始灰度图像生成的缺陷识别模型为基线模型,将其与结合对抗学习及LBP编码得到的模型进行对比。实验表明:本文所提出的结合对抗学习与LBP编码的缺陷检测模型明显提升了缺陷检测的性能。2.基于对抗学习的安瓿瓶外观缺陷检测系统的实现。将结合对抗学习与LBP编码的安瓿瓶外观缺陷检测模型的研究成果与已有缺陷检测实验平台有机结合,设计并实现了一种基于对抗学习的安瓿瓶外观缺陷检测系统。本系统基于缺陷检测的实验平台,对安瓿瓶外观缺陷检测系统的逻辑框架、系统模块以及软件开发方面进行统一设计、实现,完成对缺陷的自动化监测流程。系统对有缺陷样本图像的检测结果表明:正负样本比例处于失衡条件下,本系统仍能更为准确地检出缺陷。
肖顺,李向民,许清风[3]（2021）在《装配整体式混凝土结构套筒灌浆质量检测与缺陷整治的研究进展》文中研究表明套筒灌浆连接是其竖向预制构件最重要的连接方式,也是保证装配整体式混凝土结构性能达到等同现浇的关键,需对其灌浆质量进行严格管控。国内外学者提出了许多针对套筒灌浆的质量检测和整治技术。首先对各类套筒灌浆质量检测方法的原理、特点与应用现状进行了概括,并在综合有效性、适用性和经济性的基础上对各类方法进行了比较与优选。对于套筒灌浆事中检测和质量控制,建议采用预埋传感器法;对于套筒灌浆事后检测,建议采用钻孔内窥镜法,必要时可采用X射线数字成像法或预埋钢丝拉拔法进行补充校核。然后,对套筒灌浆缺陷的评估与整治研究现状进行了总结。对于检测后存在套筒灌浆缺陷的结构,可采用补灌法恢复其结构性能。最后,对后续研究与工程应用进行了展望。
齐添,李水江,童艳光,杨军,赵亚宇[4]（2020）在《时域反射法探测桩身缺陷的模型试验研究》文中指出为验证时域反射法对桩身缺陷的检测效果,设计了时域反射技术检测桩基完整性的模型试验,分别针对不同介质（空气、干土和湿土）环境中的有缺陷桩和无缺陷桩进行检测,验证时域反射法对于预设缺陷的检测效果,并分析缺陷位置和缺陷数量、桩周介质类型等因素对检测结果的影响。研究结果表明,时域反射法可以用于检测桩身缩颈缺陷,在模型桩缺陷段和桩底位置能获得较清晰的反射信号;电磁波传递过程中发生的衰减、频散、介质不连续等导致电磁波实测波形和理论波形存在差异;不同介质中电磁波的波速变化导致缩颈缺陷探测结果与实际情况存在一定偏差,但误差仍处于实际工程要求的精度范围内。
周雯[5]（2020）在《面向高速铁路运行安全的智能图像识别方法研究》文中进行了进一步梳理高铁是复杂巨系统,任何子系统和设施、设备发生故障都可能危及高铁的运行安全。面向移动装备、基础设施状态、运行环境等高铁运行安全的图像视频检测监测系统以其结果直观的特点在全路广泛应用,保障高速铁路的运行安全。虽然现有的检测监测系统与图像数据应用水平可以满足高速铁路基础设施设备状态和运行环境安全检测监测的需求,但它们分散部署于路网的不同地域,目前还处于人机结合判读并核查安全隐患及故障的本地应用阶段,需要投入大量的人工,费时费力。充分利用国铁集团主数据中心、铁路数据服务平台等路网中已存在的信息基础设施资源,解决好面向高铁运行安全的智能图像识别问题,实现高铁运行安全图像检测监测系统的智能化升级,将大幅提升工作效率,降低工作成本。近年来,深度学习、边缘计算、云计算等信息技术的优势汇聚,促进了人工智能正由技术研发走向行业应用。深度学习等人工智能技术与面向高铁运行安全的图像视频场景相结合,可以对高速铁路设施设备的运行状态智能识别和运行环境的实时检测监控,实现基于图像的高铁运行安全隐患排查、缺陷检测、故障诊断。本文将重点研究高铁设施设备运行安全图像的智能识别方法及应用,主要取得了以下创新性的成果:（1）基于深度主动半监督学习的高铁运行安全图像半自动标注方法。针对利用深度学习方法进行海量高铁运行安全图像智能识别过程中图像标注效率低的问题,提出了基于深度主动半监督学习的高铁运行安全图像半自动标注方法,以连续迭代范式的方式将主动学习和半监督学习引入卷积神经网络的微调过程中,让深度卷积神经网络通过增量的方式对高铁运行安全图像的特征进行学习,可以满足高铁运行安全图像数据的快速标注。将上述方法应用于动车组运行安全图像数据的标注问题,将动车组运行图像的语义标注问题转化为动车组结构子系统分类和零部件目标检测问题,将标注任务分解为粗标注和精细标注两个阶段,提出一种面向动车组零部件分类层级结构的两阶关联的基于深度主动半监督学习的动车组运行安全图像半自动标注方法,量化了数据标注量与目标任务表现之间的关系,利用较少的标注数据量可以在目标任务上获得较高的性能表现。（2）基于卷积神经网络的动车组运行安全图像缺陷检测方法。针对目前TEDS系统利用图像匹配方法自动识别缺陷精度低的问题,提出基于卷积神经网络的动车组运行安全图像缺陷检测与分割模型,分析动车组运行安全图像及其缺陷形态的特征,优化了基于区域的目标检测模型,采用可改变感受野的可变形卷积（DCN）适应缺陷形态的多样性,采用在线困难样本挖掘（OHEM）筛选出困难样本重新输入预测网络以平衡正负样本的比例,克服了缺陷形态尺寸变化多样和复杂背景下正负样本不平衡的困难。（3）基于两阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法。针对高铁接触网悬挂运行状态监测图像中小目标紧固件缺陷检测问题,分析了接触网悬挂图像的特点,对比接触网悬挂紧固件缺陷检测与自然图像目标检测的不同,将紧固件缺陷检测问题转换为紧固件检测和运行状态精细识别两个过程解决,提出基于两阶级联轻量级卷积神经网络的紧固件缺陷识别方法。首先,设计了由轻量级的特征提取网络、全局注意力模块、相互增强的分类器和检测器组成的紧固件检测模型,实现目标紧固件实例的高效检测;然后,搭建轻量级的多标签分类网络,进行紧固件运行状态的精细识别,实现紧固件缺陷的识别。（4）高速铁路运行安全图像智能识别应用总体架构。分析路网中高速铁路运行安全图像检测监测信息系统的应用现状及部署特点,提出“边缘+云”的高铁运行安全图像智能识别应用总体架构,在统一的铁路数据服务平台基础之上,构建了高铁运行安全图像智能识别平台的逻辑架构和功能架构,并结合业务范围设计了数据流转和边缘计算的流程,通过典型的TEDS图像检测应用系统具体阐述智能识别应用总体架构,并详细设计了TEDS系统图像智能识别的应用架构、系统架构和系统智能识别应用的软件流程。
何建枝[6]（2020）在《基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术研究》文中研究表明精密五金加工件有着较高制造精度,是现代工业装备制造的组成部分之一,目前精密五金加工件质量检测方法严重滞后于行业发展与市场需求。本文以“基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术研究”为题,系统分析精密五金加工件图像分类与检测机理,重点研究基于光栅式自旋转打光的工件图像获取技术、基于Res Net的精密五金加工件圆柱面外观缺陷检测技术,搭建五金加工件圆柱面外观缺陷检测平台,这对于实现智能装备检测自动化,推动制造工程智能化检测及仪器技术发展,具有重要学术价值与实际意义。论文得到广州市重大科技计划项目（编号201802030006）支持。论文研究精密五金加工件圆柱面外观缺陷检测系统,从经典工件缺陷检测方法、基于深度学习的工件缺陷检测方法、视觉打光技术等等三方面,综述国内外研究进展,确定论文研究内容,具体工作包括:⑴分析精密五金加工件圆柱面外观缺陷检测总体需求,包含高质量图像获取功能、缺陷位置定位功能、缺陷类型识别功能、自动化检测功能等,设计缺陷检测系统总体结构框架与工作流程,并重点分析基于光栅式自旋转打光的工件图像获取技术、基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术等关键技术。⑵研究基于光栅式自旋转打光的工件图像获取技术。首先分析传统缺陷检测系统打光方式、机械结构、成像结果的不足,通过融合光栅结构、设计多工业相机成像方式,设计光栅式自旋转打光机械结构,有效简化打光机械结构;其次,构建光栅式自旋转自旋转光面光源模型、光栅式自旋转光栅模型,通过分析工件表面受光强度影响因素及水平、竖直方向缺陷成像情况,指导打光模型关键参数设计,包括工件与光源光面的高度距离hl-w、光栅结构参数、光栅旋转电机角速度wmotor、负载惯量Jmotor、负载扭矩Tmotor等;最后,从视觉直观对比、机器视觉算法检测结果两方面对比传统打光方式、光栅式自旋转打光式缺陷图像成像结果,结果表明,光栅自旋转打光方法能够形成便于突显缺陷、过滤背景的图像,缺陷成像效果更佳。⑶对比近年主流目标检测算法,提出应用基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术,应用YOLO-v3与Res Net等对缺陷目标进行高精度定位与提取,在Cognex公司的Vi Di工具框架下标注并构建数据集,使用旋转、比例、翻转、宽高比、剪切、亮度、对比度等数据增强方法扩大数据集,进行离线训练并分析在线检测的软硬件关键环节。⑷搭建金属加工件缺陷检测系统,主要由硬件选型、软件集成、PLC通讯构成,并从金属加工件圆柱面定位检测、金属加工件圆柱面缺陷检测、金属加工件实际生产检测三方面验证检测系统实用性、有效性。应用结果表明,与人工检测结果对比,设备检测结果误检漏检少,检测准确率较高。所研制金属加工件圆柱面检测系统实际应用效果良好、检测效率高,具有工程实用价值。
成昊[7]（2020）在《基于叩诊法和机器学习的结构缺陷检测研究》文中研究说明近年来,随着结构健康监测与损伤诊断技术的快速发展,对工程中的结构及设施进行可靠性和安全性评估日益受到研究人员的关注。目前绝大多数的监测和检测方法均需要在被测目标上安装传感器来对结构当前所处的状态进行评估,但是在这些监测与检测方法中,传感器及配套的采集设备价格较高且设备操作的专业性要求较强,限制了相关技术在土木工程中的应用。因此,对于某些工程问题的结构监测与检测,亟需一种操作更为简便且设备造价更低的方法来进行。本文针对叩诊法在结构缺陷检测中的可行性进行研究,用实验验证了叩诊法在石油化工管道淤积物检测和锚杆预拉力损失监测中的有效性,取得了一些具有科学意义和工程应用价值的研究成果。主要研究工作如下:（1）石油化工管道内淤积物的及时清除对于保证管道正常运行具有重要意义,了解淤积物的状态后再选择合适的清淤时间和清淤方法,不仅可以降低清淤成本,还可以提高清淤效率。随着管道内淤积物质量的变化,敲击管道产生的声音信号会有所不同,故提出了一种基于叩诊法、支持向量机和梅尔频率倒谱系数的管道砂质淤积物检测方法。采用代表梅尔频率尺度上短期能量谱实对数余弦变换的梅尔频率倒谱系数作为声音信号的特征,并借助支持向量机分类模型对管道内不同质量的砂质淤积物进行分类识别。实验结果表明,梅尔频率倒谱系数相比于功率谱能量在管道淤积物检测中具有更好的性能且具有一定的噪声鲁棒性;此外,本文提出的基于梅尔频率倒谱系数的管道淤积物检测模型可以较好的估计管道中的砂质淤积物质量。（2）岩石锚杆作为一种防止岩层移动和膨胀的加固构件,被广泛应用于采矿工程、隧道工程和地下工程中,然而锚杆预拉力的损失会导致锚杆失效并可能进一步造成人员伤亡和经济损失。监测锚杆预拉力损失,并在其失效前发出预警,对于保证矿下安全生产和运作具有重要意义。锚杆预拉力的改变会导致锚杆托盘上的应变发生变化,以此为基础提出了一种基于互相关法的锚杆预拉力指标来量化预拉力损失。使用敲击锤敲击锚杆托盘的预定位置,通过敲击产生声音信号的频谱变化来反映锚杆的预拉力变化,并使用互相关方法来评估声音信号频谱的整体变化。为了验证所提方法的有效性,使用三块不同的托盘进行了敲击实验。实验结果表明,相比于基于梅尔频率倒谱系数的支持向量机回归方法,基于互相关的预拉力指标可有效评估锚杆低预拉力状态。
杨静[8]（2020）在《基于深度学习的绞线式弹性毫微型插针表面缺陷检测关键技术研究》文中研究指明绞线式弹性毫微型插针由10股铜合金丝绞制而成,六七毫米长、直径小于0.2毫米,是高端电子元器件的主要连接器配件,广泛应用于载人航天、探月、北斗、大飞机和高分辨率对地观测系统等国家重大航空航天工程。在绞线式弹性毫微型插针加工过程中,由于加工误差,会出现各种质量缺陷。为保证产品的质量,应及时剔除不合格产品,但由于绞线式弹性毫微型插针产品体积小,质量要求高,质检员不能手工拿持产品进行剔除,需要用镊子在显微镜下逐只目检,效率低下,工作量大,严重影响绞线式弹性毫微型插针的生产效率。因此,如果能将绞线式弹性毫微型插针自动分拣到合格、针头散丝、压扁或鼓包、废品等接料盒中,对提高绞线式弹性毫微型插针缺陷检测效率,缩短检测时间,降低生产成本,提升产品的市场竞争力和增加用户满意度具有重要意义。视觉检测是目前工业界主流的缺陷检测方法之一,但在实际应用中会遇到许多挑战。如:传统图像特征提取算法基于经验手动设计特征,所设计特征通常处于较低水平且主观性强。绞线式弹性毫微型插针待检测样本缺陷多样、背景结构差异小、边界不清晰、透视失真、遮挡等复杂情况,使用传统依靠经验手动设计缺陷特征的方法不足以处理这些复杂情况。近年来,深度学习在图像特征提取方面具有较强的特征提取能力,能够自动的从数据样本中学习训练样本特征。因此,论文依托工信部智能制造综合标准化和新模式应用项目“精密电子元器件智能制造新模式应用”（工信部联装[2016]213号）,以针头胖点偏移、尺寸错误、针头散丝、针头压扁与鼓包等常见的绞线式弹性毫微型插针表面缺陷问题为研究对象,以深度学习为技术手段,针对深度学习表面缺陷检测模型的稳定性、绞线式弹性毫微型插针表面缺陷识别、表面像素级缺陷分割和工程应用展开研究,主要研究内容包括:（1）基于深度学习的表面缺陷检测模型稳定性分析。针对工业视觉缺陷检测中,电子元器件缺陷类型多样、很难收集丰富的图像数据且各个缺陷类型之间存在缺陷类型数量不均衡问题,使深度学习模型因为输入数据类型间数量的差异而使训练过程出现梯度很难收敛,造成模型训练过程中的过学习和欠学习等问题。在不影响原有数据分布的情况下,提出基于Batch Normalization的训练数据类别平衡策略;然后,为进一步提高特征学习能力,提出特征空间数据扩增方法;最后,结合利普希茨连续函数,从理论证明采用多策略Batch Normalization平衡输入数据方法的稳定性比没有采用多策略Batch Normalization平衡输入数据方法的稳定性更好。在绞线式弹性毫微型插针数据集下的实验结果表明,模型对缺陷特征的平均分类准确率为90.27%。（2）基于卷积神经网络的端到端绞线式弹性毫微型插针表面缺陷识别方法。为了获得绞线式弹性毫微型插针的类型,提出了基于卷积神经网络的端到端绞线式弹性毫微型插针表面缺陷识别方法,首先,为了提高对相邻较小目标的识别能力,改进YOLO神经网络结构,采用一个全连接层以减少特征信息的丢失;在输入图像后,增加了一个2?2的最大池化使得在缩小图片尺寸的同时尽可能多的保存原始图片信息,并将多次卷积和池化操作后的网格由原来的7?7变为14?14以提高特征图谱的尺寸;其次,对于单一目标的数据,结合了边框回归和RPN方法,提出基于RPN的滑动窗口合并算法,保留更多的图像信息;最后,通过增加检测窗口内卷积核单元数量,移除全连接层,提高复杂工况下绞线式弹性毫微型插针缺陷的特征提取能力。在绞线式弹性毫微型插针数据集下的实验结果表明,本文方法在针头胖点偏移、缺陷尺寸错误、针头散丝、针头压扁与鼓包四类缺陷下的识别准确率、预测概率估计值均高于对比算法YOLO V3、Faster-RCNN和FPN。（3）面向绞线式弹性毫微型插针的表面像素级缺陷分割方法。绞线式弹性毫微型插针缺陷图像的背景区域与目标区域像素差异对比不明显,但在缺陷小范围内背景与目标可分且目标区域不会孤立存在,在第四章研究的基础上,将Unet网络作为基础网络,提出面向绞线式弹性毫微型插针的表面像素级缺陷分割方法。首先,针对绞线式弹性毫微型插针图像的背景区域与目标区域灰度对比不明显,考虑使用图像方差表示图像灰度值的变化幅度。结合相邻像元灰度差值大小与归属区域的关系,提出了基于K-means的缺陷簇搜索算法;其次,针对缺陷的尺寸和形态多样,在Unet的预测网络和分割网络中引入可变形卷积和可变形感兴趣池化模块提升神经网络对形变特征的学习能力;在绞线式弹性毫微型插针数据集下的实验结果表明,本文方法学习到了更多的真实标签数据信息,鲁棒性更好。（4）基于深度学习的绞线式弹性毫微型插针实例应用。设计并搭建了绞线式毫微型插针缺陷检测试验台,结合论文的研究成果,针对绞线式弹性毫微型插针缺陷检测中容易出现的漏检问题,提出基于中间变量的绞线式毫微型插针漏检判定算法;最后,开发了绞线式弹性毫微型插针表面缺陷检测原型系统,并展示了原型系统主要的功能模块。
刘启凡[9]（2020）在《面向工业的图像分割深度学习技术研究和应用》文中提出近年来,深度神经网络在图像处理领域取得了巨大的成功,并在图像分析和图像识别方面达到了最先进的性能。越来越多的深度学习方法从理论走向实践,在医疗,交通,教育,工业等各个领域有着广泛的应用价值。在工业生产上,工业产品表面缺陷检测环节对于保证产品的高质量和生产效率十分重要,并且需要在保证缺陷识别的准确率较高的前提下提高检测速度。卷积神经网络凭借其强大的特征提取能力,可对图像进行准确分析和识别,在工业缺陷检测中发挥着重要作用。工业生产环境相对较为复杂,因此设计出具有高精度和强鲁棒性的检测模型是本文的主要工作。本文主要设计出工业缺陷检测系统,并且对其进行改进,具体内容如下:1.提出了一种基于回归的通用工业缺陷检测框架。具体来说,该框架包含四个模块:基于深度回归的检测模块,像素级别过滤模块,连通域分析模块和缺陷分类模块。为了训练检测模块本文提出了一种高性能的回归网络和一种从标注数据中产生标签获取缺陷严重程度信息的算法。本论文已经在两个公共基准数据集Aigle RN,DAGM2007和一个真实工业电容数据集上测试了该方法。结果表明,本论文所提出的方法在检测精度,图像分割性能和速度方面有明显的优势。2.对所提出的工业缺陷检测框架进行改进。主要是设计出基于U-net结构的回归网络模块和加入抗锯齿处理的缺陷分类模块。为了更好的适应工业生产环境,结合U-net网络结构中的转置卷积,跳层结构等特点对缺陷回归模型进行改进,进而提高网络的图像分割性能。在缺陷分类上,主要针对图像平移不变性问题进行深入研究,将抗锯齿处理加入分类模型中,对卷积层和池化层等下采样操作进行相应的改进处理,提高模型的鲁棒性。相比之前的缺陷检测模型和当前流行的分割网络,改进后的模型在工业数据集上表现效果更好。
陈从翰[10]（2020）在《基于YOLOv3算法的深度神经网络在飞机表面缺陷识别中的应用》文中提出飞机结构在使用寿命期内要受到疲劳载荷和腐蚀环境等因素的作用,因而会产生疲劳、腐蚀等损伤缺陷,其缺陷一般表现为飞机蒙皮表面的腐蚀老化,桁条与蒙皮胶结点焊部位严重腐蚀导致结构变形、脱焊和穿孔,铝合金连接部位出现腐蚀活性点和开始膜下腐蚀,机翼上壁板螺钉连接部位严重腐蚀等一系列问题。会对飞行安全造成严重影响,轻则是加重飞机部件损伤影响飞行品质,重则是在飞行过程中出现油箱,起落架掉落,蒙皮被撕裂等严重的事故,对飞行和地面人员安全造成严重的安全威胁。为解决飞机表面的缺陷识别问题,本论文开发一种基于YOLOv3算法的深度神经网络预测模型用于飞机表面缺陷识别。通过收集飞机的表面缺陷图片作为数据集,并将其分为蒙皮掉漆、蒙皮裂纹、螺纹锈蚀、蒙皮变形、蒙皮撕裂5种缺陷,送入搭建好的飞机表面缺陷预测模型进行训练和测试。该模型在测试环境中对单张图片的识别速度在30-50ms之间,且在训练集和测试集上的识别准确率分别为90.8%、76%,召回率分别为80%、72%。测试实验结果表明,分辨率不同的样本图像对飞机表面缺陷预测模型的识别准确率有一定影响,特别是在低分辨率图像样本上的识别准确率较低。飞机表面缺陷预测模型对于单一或者聚集但间隔距离较远的缺陷能够迅速识别;对于缺陷呈密集交叠出现或者外部特征相似的飞机蒙皮缺陷该模型识别效果较差;对于黑夜和强光条件下的飞机蒙皮缺陷识别,如果飞机蒙皮缺陷特征被遮挡不明显,则有较好的识别效果,如果飞机蒙皮缺陷特征被明显遮挡,则模型识别失败。最后通过和基于Faster-RCNN算法的模型在同样的数据集上进行对比实验发现,基于Faster-RCNN的模型对同一目标的置信度上要高于基于YOLOv3的模型;在小目标为主的铆钉缺陷识别中的识别准确率为86%;对其余缺陷种类的识别准确率都在68%-74%之间;在测试环境中对单张图片的识别速度在50ms-2s之间。故在对目标置信度预测和对小目标的识别方面,基于Faster-RCNN的模型要优于基于YOLOv3的模型;但在准确率和速度方面要逊于基于YOLOv3的表面缺陷检测模型。特别是识别速度方面,在同样的条件下基于Faster-RCNN的模型对单张样本的预测时长是基于YOLOv3的模型的2倍以上。
二、Model Tests of Pile Defect Detection（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Model Tests of Pile Defect Detection（论文提纲范文）
（2）结合对抗自编码器与LBP编码的安瓿瓶外观缺陷检测（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 玻璃瓶视觉检测技术的研究现状 |
| 1.3.2 异常检测技术的研究现状 |
| 1.4 论文主要工作及结构安排 |
| 1.4.1 论文主要工作 |
| 1.4.2 论文的组织结构 |
| 2 基于深度学习的安瓿瓶外观缺陷检测相关技术 |
| 2.1 卷积神经网络 |
| 2.2 生成式对抗网络 |
| 2.2.1 生成式对抗网络 |
| 2.2.2 条件生成式对抗网络 |
| 2.2.3 深度卷积生成式对抗网络 |
| 2.3 对抗式自编码器 |
| 2.3.1 自编码器 |
| 2.3.2 卷积自编码器 |
| 2.3.3 对抗式自编码器 |
| 2.4 本章小结 |
| 3 结合对抗学习与LBP编码的安瓿瓶外观缺陷检测 |
| 3.1 引言 |
| 3.2 基于生成式对抗网络的外观缺陷检测模型网络架构 |
| 3.2.1 基于对抗学习网络的缺陷检测模型结构 |
| 3.2.2 基于对抗网络安瓿瓶外观缺陷检测算法的关键描述 |
| 3.2.3 基于对抗网络架构的缺陷检测模型损失函数 |
| 3.3 基于LBP编码的样本集构建 |
| 3.4 基于最小错误率的最优阈值估计与缺陷判别 |
| 3.5 基于T-SNE的编码向量低维可视化 |
| 3.6 结合LBP编码的安瓿瓶外观缺陷检测实验与分析 |
| 3.6.1 实验参数与环境设置 |
| 3.6.2 安瓿瓶外观缺陷检测性能评价指标 |
| 3.6.3 结合LBP编码模型与原始模型的性能比较 |
| 3.7 本章小结 |
| 4 基于对抗学习的安瓿瓶外观缺陷检测系统实现 |
| 4.1 引言 |
| 4.2 基于对抗学习的安瓿瓶外观缺陷检测实验平台 |
| 4.2.1 机械控制模块 |
| 4.2.2 图像采集模块 |
| 4.2.3 检测处理模块 |
| 4.3 基于对抗学习的安瓿瓶外观缺陷检测系统 |
| 4.3.1 安瓿瓶外观缺陷检测系统逻辑框架设计 |
| 4.3.2 安瓿瓶外观缺陷检测系统模块化设计 |
| 4.3.3 基于对抗学习的安瓿瓶外观缺陷检测系统界面设计 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（3）装配整体式混凝土结构套筒灌浆质量检测与缺陷整治的研究进展（论文提纲范文）
| 0 引言 |
| 1 套筒灌浆质量无损检测技术 |
| 1.1 预埋元件法 |
| 1.1.1 预埋传感器法 |
| 1.1.2 预埋钢丝拉拔法 |
| 1.2 X射线法 |
| 1.2.1 X射线工业CT技术 |
| 1.2.2 便携式X射线技术 |
| 1.3 机械波法 |
| 1.3.1 冲击回波法 |
| 1.3.2 反射波法 |
| 1.3.3 超声波法 |
| 1.3.4 声发射法 |
| 1.4 电路法 |
| 1.4.1 电阻法 |
| 1.4.2 压电阻抗技术 |
| 2 套筒灌浆质量微/破损检测技术 |
| 2.1 成孔法 |
| 2.1.1 预成孔内窥镜法 |
| 2.1.2 钻孔内窥镜法 |
| 2.2 取样法 |
| 2.2.1 套筒原位取样法 |
| 2.2.2 小直径芯样法 |
| 3 检测方法的比选 |
| 4 套筒灌浆缺陷评估与整治 |
| 4.1 连接层面 |
| 4.2 构件层面 |
| 4.3 结构层面 |
| 5 结论与展望 |
（5）面向高速铁路运行安全的智能图像识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状及发展趋势 |
| 1.2.1 国内外图像识别技术研究现状及发展趋势 |
| 1.2.2 国内外铁路运行安全图像识别研究现状及发展趋势 |
| 1.3 研究目标及主要内容 |
| 1.4 论文组织结构与技术路线 |
| 1.5 本章小结 |
| 2 图像识别与深度学习相关理论 |
| 2.1 深度学习 |
| 2.1.1 卷积神经网络 |
| 2.1.2 基于卷积神经网络的典型分类模型 |
| 2.1.3 基于卷积神经网络的典型目标检测模型 |
| 2.2 迁移学习 |
| 2.3 主动学习 |
| 2.4 边缘计算 |
| 2.5 本章小结 |
| 3 基于深度主动半监督学习的高铁运行安全图像半自动标注方法 |
| 3.1 引言 |
| 3.2 问题分析 |
| 3.3 基于深度主动半监督学习的高铁运行安全图像半自动标注方法 |
| 3.3.1 基于深度卷积神经网络的迁移学习 |
| 3.3.2 深度主动半监督学习 |
| 3.4 面向动车组运行安全图像半自动标注算法 |
| 3.4.1 子系统分类主动半监督学习策略 |
| 3.4.2 零部件检测主动半监督学习策略 |
| 3.5 试验与分析 |
| 3.5.1 子系统分类标注试验分析 |
| 3.5.2 零部件目标检测标注试验分析 |
| 3.6 本章小结 |
| 4 基于卷积神经网络的动车组运行安全图像缺陷检测方法 |
| 4.1 引言 |
| 4.2 问题分析 |
| 4.3 动车组运行安全图像缺陷检测与分割模型 |
| 4.3.1 基于区域的目标检测算法 |
| 4.3.2 动车组运行安全图像缺陷检测优化方法 |
| 4.4 试验结果与分析 |
| 4.4.1 数据集 |
| 4.4.2 检测与评估 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 5 基于两阶级联轻量级卷积神经网络的高铁接触网悬挂紧固件缺陷识别方法 |
| 5.1 引言 |
| 5.2 问题分析 |
| 5.2.1 高铁接触网悬挂状态监测图像生成 |
| 5.2.2 高铁接触网悬挂状态监测图像的特点 |
| 5.3 高铁接触网悬挂紧固件缺陷识别方法 |
| 5.3.1 紧固件检测模型CSDR-CNN |
| 5.3.2 紧固件缺陷识别网络FastenerNet |
| 5.4 试验验证 |
| 5.4.1 模型训练阶段 |
| 5.4.2 模型测试阶段 |
| 5.5 本章小结 |
| 6 高速铁路运行安全图像智能识别应用总体设计 |
| 6.1 问题分析 |
| 6.2 总体架构 |
| 6.3 功能架构 |
| 6.4 典型应用系统分析 |
| 6.4.1 TEDS系统图像智能识别应用需求分析 |
| 6.4.2 TEDS系统图像智能识别应用设计 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 索引 |
| 作者简历及攻读博士学位期间取得的科研成果 |
| 学位论文数据集 |
（6）基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 论文研究背景与意义 |
| 1.2 精密五金加工件圆柱面外观缺陷检测概述 |
| 1.3 论文相关内容国内外研究进展 |
| 1.3.1 经典工件缺陷检测技术 |
| 1.3.2 基于深度学习的工件缺陷检测技术 |
| 1.3.3 机器视觉打光技术 |
| 1.4 论文主要研究内容与章节安排 |
| 第二章 基于卷积神经网络精密五金加工件圆柱面外观缺陷检测框架设计 |
| 2.1 引言 |
| 2.2 精密五金加工件圆柱面外观缺陷检测总体需求与流程 |
| 2.2.1 精密五金加工件圆柱面外观缺陷检测系统总体结构框架 |
| 2.2.2 精密五金加工件圆柱面外观缺陷检测流程 |
| 2.3 精密五金加工件圆柱面外观缺陷检测关键技术分析 |
| 2.3.1 基于光栅式自旋转打光的工件图像获取技术 |
| 2.3.2 基于Res Net的精密五金加工件圆柱面缺陷检测技术 |
| 2.4 本章小结 |
| 第三章 基于光栅式自旋转打光的工件图像获取技术 |
| 3.1 引言 |
| 3.2 光栅式自旋转打光机械结构设计 |
| 3.3 光栅式自旋转打光模型构建 |
| 3.3.1 光栅式自旋转光面光源模型构建 |
| 3.3.2 光栅式自旋转光栅模型构建 |
| 3.4 试验与分析 |
| 3.5 本章小结 |
| 第四章 基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术 |
| 4.1 引言 |
| 4.2 精密五金加工件圆柱面外观缺陷目标检测 |
| 4.3 精密五金加工件圆柱面外观缺陷提取 |
| 4.4 试验与分析 |
| 4.4.1 光栅式自旋转光栅模型构建 |
| 4.4.2 在线处理试验分析 |
| 4.5 本章小结 |
| 第五章 精密五金加工件圆柱面外观缺陷检测实验 |
| 5.1 引言 |
| 5.2 检测系统软硬件平台搭建 |
| 5.2.1 精密五金加工件圆柱面外观缺陷检测硬件平台搭建 |
| 5.2.2 精密五金加工件圆柱面外观缺陷检测软件 |
| 5.3 应用效果分析 |
| 5.3.1 金属加工件圆柱面定位检测与结果分析 |
| 5.3.2 金属加工件圆柱面外观缺陷检测与结果分析 |
| 5.3.3 金属加工件实际生产测试与结果分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（7）基于叩诊法和机器学习的结构缺陷检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 叩诊法研究概况 |
| 1.2.1 敲击法及其在材料缺陷检测中的应用 |
| 1.2.2 敲击法及其在土木结构检测中的应用 |
| 1.2.3 叩诊法及相关声音特征研究 |
| 1.2.4 叩诊法及其在混凝土结构检测中的应用 |
| 1.2.5 叩诊法及其在螺栓松动检测中的应用 |
| 1.2.6 叩诊法在其他结构中的应用及目前存在的问题 |
| 1.3 管道淤积物检测研究概况 |
| 1.4 锚杆预拉力检测研究概况 |
| 1.4.1 传统锚杆预拉力检测方法 |
| 1.4.2 基于智能传感器的锚杆预拉力检测方法 |
| 1.4.3 基于其他原理的锚杆预拉力检测装置 |
| 1.4.4 锚杆预拉力检测目前存在的问题 |
| 1.5 本文主要工作 |
| 2 声音信号端点检测及特征提取方法 |
| 2.1 时域端点检测方法 |
| 2.2 频域特征提取方法 |
| 2.2.1 功率谱能量法 |
| 2.2.2 频谱互相关法 |
| 2.3 梅尔频率倒谱系数 |
| 2.4 本章小结 |
| 3 基于叩诊法的管道淤积物检测 |
| 3.1 支持向量机分类算法基本原理 |
| 3.2 管道淤积物检测原理 |
| 3.3 实验装置及步骤 |
| 3.4 实验结果及讨论 |
| 3.4.1 敲击声音信号功率谱分析 |
| 3.4.2 功率谱能量与梅尔频率倒谱系数对比 |
| 3.4.3 梅尔频率倒谱系数的噪声鲁棒性 |
| 3.4.4 基于梅尔频率倒谱系数的管道淤积物检测模型 |
| 3.5 本章小结 |
| 4 基于叩诊法的锚杆预拉力损失检测 |
| 4.1 支持向量机回归算法基本原理 |
| 4.2 实验装置及步骤 |
| 4.3 实验结果及讨论 |
| 4.3.1 频谱分析 |
| 4.3.2 基于支持向量机回归的锚杆预拉力损失预测 |
| 4.3.3 基于互相关方法的锚杆预拉力损失指标 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（8）基于深度学习的绞线式弹性毫微型插针表面缺陷检测关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 表面缺陷检测技术研究现状及发展趋势 |
| 1.2.1 传统的缺陷检测技术研究现状 |
| 1.2.2 深度学习模型稳定性研究现状 |
| 1.2.3 目标检测方法研究现状 |
| 1.2.4 深度学习的缺陷检测方法研究现状 |
| 1.3 研究内容和创新点 |
| 1.3.1 主要研究目标与内容 |
| 1.3.2 主要创新点 |
| 1.4 论文组织结构和对应的研究成果 |
| 1.5 本章总结 |
| 第2章 绞线式弹性毫微型插针表面缺陷识别和分割方法相关理论 |
| 2.1 引言 |
| 2.2 基于深度学习的绞线式弹性毫微型插针表面缺陷识别方法 |
| 2.2.1 Faster-RCNN目标实时检测模型 |
| 2.2.2 SSD目标实时检测模型 |
| 2.2.3 FPN目标检测网络 |
| 2.3 基于深度学习的绞线式弹性毫微型插针表面缺陷缺陷分割方法 |
| 2.3.1 Deep Lab分割方法 |
| 2.3.2 Icnet分割方法 |
| 2.3.3 Mobilenet分割方法 |
| 2.3.4 Mask R-CNN分割方法 |
| 2.4 本章总结 |
| 第3章 基于深度学习的表面缺陷检测模型稳定性分析 |
| 3.1 引言 |
| 3.2 基于Batch Normalization的训练数据类别平衡策略 |
| 3.2.1 问题描述 |
| 3.2.2 Batch Normalization训练平衡数据类别方法建模 |
| 3.2.3 基于Batch Normalization平衡数据类别方法 |
| 3.3 基于特征空间的数据扩增 |
| 3.4 实验分析和讨论 |
| 3.4.1 实验细节 |
| 3.4.2 实验数据集 |
| 3.4.3 稳定性测试实验 |
| 3.4.4 对比实验结果 |
| 3.5 本章总结 |
| 第4章 基于卷积神经网络的端到端绞线式弹性毫微型插针缺陷识别方法 |
| 4.1 引言 |
| 4.2 绞线式弹性毫微型插针缺陷特征提取 |
| 4.3 改进的目标实时检测模型与特征提取算法 |
| 4.3.1 提出改进思想的来源 |
| 4.3.2 改进的YOLO神经网络结构 |
| 4.3.3 基于RPN的滑动窗口合并算法 |
| 4.3.4 基于卷积神经网络的端到端YOLO特征提取算法 |
| 4.4 实验分析和讨论 |
| 4.4.1 绞线式弹性毫微型插针缺陷识别方法客观结果分析 |
| 4.4.2 绞线式弹性毫微型插针多目标缺陷识别方法主观结果分析 |
| 4.5 本章总结 |
| 第5章 面向绞线式弹性毫微型插针的表面像素级缺陷分割方法 |
| 5.1 引言 |
| 5.2 Unet图像语义分割 |
| 5.2.1 Unet网络 |
| 5.2.2 边界权值损失函数 |
| 5.3 基于K-means的缺陷簇搜索算法 |
| 5.4 可变形卷积在不同尺寸和形态下的像素级缺陷分割方法 |
| 5.4.1 可变形卷积 |
| 5.4.2 可变形池化 |
| 5.5 实验分析和讨论 |
| 5.5.1 评价指标 |
| 5.5.2 对比算法介绍 |
| 5.5.3 与对比算法的性能对比分析 |
| 5.5.4 表面缺陷分割可视化结果分析 |
| 5.5.5 表面缺陷识别与分割可视化结果 |
| 5.6 本章总结 |
| 第6章 绞线式弹性毫微型插针缺陷检测实例应用 |
| 6.1 引言 |
| 6.2 绞线式弹性毫微型插针常见缺陷类型 |
| 6.3 基于中间变量的绞线式弹性毫微型插针漏检判定算法 |
| 6.4 绞线式弹性毫微型插针缺陷检测系统硬件 |
| 6.4.1 工业相机 |
| 6.4.2 光源设计 |
| 6.4.3 绞线式豪微型插针缺陷检测试验平台 |
| 6.5 绞线式弹性毫微型插针表面缺陷检测原型系统 |
| 6.5.1 数据库设计 |
| 6.5.2 开发和运行环境 |
| 6.5.3 原型系统实现 |
| 6.6 本章总结 |
| 第7章 总结与展望 |
| 7.1 论文总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录A 攻读博士期间发表的学术论文 |
| 附录B 攻读博士学位期间参与课题相关的重大科研项目 |
| 附录C 变量定义速查表 |
| 图版 |
| 图目录 |
| 表目录 |
（9）面向工业的图像分割深度学习技术研究和应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统图像处理方法 |
| 1)阈值分割法 |
| 2)边缘检测算法 |
| 3)区域生长法 |
| 1.2.2 基于浅层学习方法 |
| 1.2.3 基于深度学习方法 |
| 1)纯图像分类方法 |
| 2)目标检测方法 |
| 3)像素级分割方法 |
| 1.3 工业缺陷检测目前所面临的问题 |
| 1.4 论文主要内容和组织结构 |
| 1.4.1 论文主要内容 |
| 1.4.2 论文组织结构 |
| 第2章 面向工业缺陷检测的深度回归神经网络系统设计 |
| 2.1 引言 |
| 2.2 回归分析 |
| 2.2.1 线性多元回归 |
| 2.2.2 非线性多元回归 |
| 2.2.3 神经网络与回归 |
| 1)基于BP神经网络的回归 |
| 2)基于卷积神经网络的回归 |
| 2.3 工业缺陷检测系统设计 |
| 2.3.1 整体模块设计 |
| 2.3.2 回归检测模型设计 |
| 2.3.3 分类模型设计 |
| 2.4 端对端模型训练与测试 |
| 2.4.1 回归检测模型训练 |
| 2.4.2 分类模型的训练 |
| 2.4.3 缺陷检测性能测试 |
| 2.4.4 阈值参数设定 |
| 2.5 小结 |
| 第3章 基于U-net和抗锯齿的工业缺陷检测系统改进 |
| 3.1 引言 |
| 3.2 U-net网络基础 |
| 3.2.1 U-net网络结构介绍 |
| 1)下采样 |
| 2)上采样 |
| 3)跳层结构 |
| 3.2.2 U-net网络反向传播 |
| 3.2.3 U-net网络性能 |
| 3.3 图像的平移不变性 |
| 3.3.1 平移不变性的影响因素 |
| 3.3.2 抗锯齿性分析 |
| 3.4 基于U-net和抗锯齿的工业缺陷检测系统改进 |
| 3.4.1 回归检测模型的改进 |
| 3.4.2 分类模型的改进 |
| 3.4.3 实验性能分析 |
| 1)试验平台及测试指标 |
| 2)检测性能对比 |
| 3.5 小结 |
| 第4章 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 深圳大学 指导教师对研究生学位论文的学术评语 |
| 深圳大学研究生学位(毕业)论文 答辩委员会决议书 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（10）基于YOLOv3算法的深度神经网络在飞机表面缺陷识别中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容及安排 |
| 第2章 深度神经网络基础 |
| 2.1 深度神经网络 |
| 2.1.1 神经元结构 |
| 2.1.2 多层感知机 |
| 2.1.3 反向传播算法 |
| 2.2 卷积神经网络结构 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.2.4 残差层 |
| 2.2.5 Dropout失活单元 |
| 2.2.6 全局平均池化 |
| 2.3 目标检测算法 |
| 2.4 本章小结 |
| 第3章 飞机表面缺陷样本采集与预处理 |
| 3.1 飞机表面缺陷图像采集 |
| 3.1.1 样本采集要求 |
| 3.1.2 样本采集方式 |
| 3.2 飞机表面缺陷分类 |
| 3.3 数据预处理 |
| 3.3.1 样本预处理流程 |
| 3.3.2 图像样本修复 |
| 3.3.3 图像增强 |
| 3.3.4 图像降采样 |
| 3.4 数据集的建立 |
| 3.4.1 数据集的组成 |
| 3.4.2 图像标注步骤 |
| 3.5 本章小结 |
| 第4章 飞机表面缺陷检测模型的训练与验证 |
| 4.1 基于YOLOv3 的飞机表面缺陷检测模型 |
| 4.1.1 检测模型检测流程 |
| 4.1.2 检测模型网络结构 |
| 4.1.3 bounding box预测机制 |
| 4.1.4 飞机表面缺陷检测模型损失函数 |
| 4.1.5 飞机表面缺陷检测实现 |
| 4.2 网络训练 |
| 4.2.1 试验平台的搭建 |
| 4.2.2 模型预训练 |
| 4.2.3 模型的二次训练 |
| 4.2.4 模型验证 |
| 4.3 本章小结 |
| 第5章 模型实验与分析 |
| 5.1 飞机表面缺陷检测模型评价指标 |
| 5.1.1 精确率、准确率和召回率 |
| 5.1.2 置信度与置信区间 |
| 5.1.3 模型的单次预测时间 |
| 5.2飞机表面缺陷检测实验 |
| 5.2.1 准确率和召回实验 |
| 5.2.2 样本实验 |
| 5.2.3 对比实验 |
| 5.3 实验结果分析 |
| 5.3.1 召回率与准确率分析 |
| 5.3.2 样本实验结果分析 |
| 5.3.3 对比实验分析 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
四、Model Tests of Pile Defect Detection（论文参考文献）
- [1]基于水平低应变法的高承台桩缺陷检测研究[J]. 赵爽,吴君涛,邱欣晨,王奎华,涂园. 浙江大学学报(工学版), 2021(10)
- [2]结合对抗自编码器与LBP编码的安瓿瓶外观缺陷检测[D]. 李康. 河北师范大学, 2021(09)
- [3]装配整体式混凝土结构套筒灌浆质量检测与缺陷整治的研究进展[J]. 肖顺,李向民,许清风. 建筑结构, 2021(05)
- [4]时域反射法探测桩身缺陷的模型试验研究[J]. 齐添,李水江,童艳光,杨军,赵亚宇. 广东土木与建筑, 2020(07)
- [5]面向高速铁路运行安全的智能图像识别方法研究[D]. 周雯. 中国铁道科学研究院, 2020(01)
- [6]基于卷积神经网络的精密五金加工件圆柱面外观缺陷检测技术研究[D]. 何建枝. 华南理工大学, 2020(02)
- [7]基于叩诊法和机器学习的结构缺陷检测研究[D]. 成昊. 大连理工大学, 2020(02)
- [8]基于深度学习的绞线式弹性毫微型插针表面缺陷检测关键技术研究[D]. 杨静. 贵州大学, 2020(04)
- [9]面向工业的图像分割深度学习技术研究和应用[D]. 刘启凡. 深圳大学, 2020
- [10]基于YOLOv3算法的深度神经网络在飞机表面缺陷识别中的应用[D]. 陈从翰. 中国民用航空飞行学院, 2020(10)