一、神经网络在道路无损检测中的应用（论文文献综述）
张贤[1]（2021）在《偏心轴超声检测及缺陷智能识别方法研究》文中进行了进一步梳理在机械行业中,轴是一种使用极为普遍的零部件,但是这些轴类零件在生产使用时,其上很容易产生裂纹、孔洞等各种缺陷。目前缺陷的检测大多依靠人工检测,而且自动化检测系统主要应用在一些外形简单的工件检测中。针对现有超声检测方法存在检测效率低,检测对象外形简单等问题,研制了自动化超声检测系统,并对检测到的缺陷进行智能识别研究。在对近年来国内外超声自动化检测研究的基础上,将机械技术、自动控制技术和超声波探伤技术相结合,设计了基于偏心轴缺陷检测的自动化超声检测系统。该系统主要包括五轴机械手、水箱检测平台以及多通道超声探伤卡。针对偏心轴这种特殊结构的回转体,采用机械手夹持超声探头进行自动化检测的方法。对偏心轴的扫查轨迹进行划分,结合机械手运动学模型,确定超声探头在空间轨迹上某点的位置与姿态,通过五次多项式轨迹规划,实现机械手夹持探头精确而平稳的运动。对采集的信息进行特征信号提取。首先针对采集到的信息中含有大量噪声的问题,提出了软、硬阈值折衷法去噪理论对采集的数据进行小波去噪分析。然后讨论了阈值和分解层数对缺陷信号去噪的影响,并做实验分析。经仿真结果表明,对采集的缺陷信号,采用Sqtwolog阈值进行四层小波去噪时,有着很好的去噪效果。接着利用小波包能量谱法对去噪处理的缺陷信号进行特征信息的提取,以八个子频段上的能量值为作为偏心轴缺陷的特征向量,用于神经网络等模型训练,最后实现偏心轴缺陷智能识别分类。为了实现偏心轴的四种缺陷智能识别,采用概率神经网络来对缺陷进行模式识别。在概率神经网络的基础上提出了基于麻雀搜索算法改进的概率神经网络,通过麻雀搜索算法来优化概率神经网络的平滑因子,提取最优的平滑因子值,以提高其识别的准确率。并通过实验仿真得出,基于麻雀搜索算法改进的概率神经网络比传统的概率神经网络和径向基函数神经网络的识别分类准确率更高。最后通过实验测试,对一定数量的缺陷样本进行了去噪预处理、特征信息的提取以及缺陷的智能识别。经实验表明,所研究的理论方法对偏心轴缺陷的识别具有有效性与可行性。因此,针对偏心轴缺陷的超声检测问题,所采取的理论分析和实验研究方法可行,提高了缺陷识别的可靠性和准确性。
张亚芬[2]（2021）在《齿轮缺陷水浸超声检测技术的研究》文中进行了进一步梳理齿轮作为一种非常重要的传动构件,被广泛应用于航空航天、机床制造和汽车制造等各领域,其质量的优劣直接影响产品的工作寿命和生产安全。由于在齿轮的加工制造过程中易形成裂纹、气孔等缺陷,因此在齿轮生产工作中需要对其进行检测。常用超声检测方法对齿轮进行缺陷检测,尤其对其内部缺陷可进行无损检测探伤,该方法具有其它检测方法所无法比拟的优点。但是传统的超声检测大都通过肉眼观察屏幕缺陷波形,依据检测者的经验对超声回波进行主观评价,降低了检测的准确性和效率。针对传统超声检测方法的不足,研制了齿轮自动化超声检测系统,同时可对所检缺陷进行智能识别研究。研究开发的基于桁架机器人自动超声检测系统,实现了齿轮缺陷的自动化液浸检测。主要设计了超声无损检测系统的机械部分和控制部分,包括桁架机器人与水箱检测平台的机构设计,控制系统硬件电气的设计和搭建,基于PCI运动控制卡的桁架机械手运动控制的软件程序设计,以及基于多通道超声探伤卡的检测波形数据采集的软件程序设计等,该系统可完成对不同齿轮工件的自动化检测并取得所需的良好效果。对超声检测方法进行了研究,为获得准确的水浸超声检测测试数据,研究针对水浸超声检测工艺的特点,选取了合理的检测方案并计算相关的检测工艺参数,如超声探头焦距值和超声倾斜入射角等,保证了自动化水浸检测的顺利实施。将齿轮工件缺陷的超声检测信号进行数字化采集和提取后,通过频谱分析的方法分析不同位置的缺陷数据,克服了不同缺陷时域波形分辨困难的缺点。对采集到的缺陷数据进行FFT与功率谱方法分析,经过实验验证,对不同位置的缺陷进行分析时,采用功率谱法更能直观的将缺陷特征表现出来,进而更好的完成齿轮不同位置上的缺陷辨别。采用BP神经网络方法对缺陷类型进行模式识别。为了提高对齿轮缺陷类型智能识别的准确率,利用附加动量项法对BP神经网络的局限性进行改进。结果表明,改进的BP神经网络相对于传统的BP神经网络缺陷类型识别的准确率更高。最后通过实验测试和验证,利用自主设计的自动化超声检测系统对一定数量的缺陷样本进行了超声检测实验、检测曲线数据的频谱分析以及BP神经网络智能识别,经实验表明所研究的理论方法对齿轮缺陷的检测和识别具有有效性与可行性。因此,针对齿轮中存在的缺陷检测问题,提出的理论分析与检测方法可行,能够提高缺陷检测的可靠性和识别的准确性。
周廷楠[3]（2021）在《基于神经网络的水泥路面探地雷达病害图像识别研究》文中指出公路建设是我国基础建设的重心。由于城市化进程加快,随之带来了巨大交通压力。水泥道路路面质量的问题也凸显出来,由于雨水的冲刷、车辆荷载的作用以及施工方式的差异等,都会对水泥路面造成影响,使水泥道路产生相应的病害。因此对水泥道路路面进行定期检测,将是公路病害防治工作的重点。虽然探地雷达技术如今已经应用广泛,但是探地雷达图像识别技术依旧存在短板。本课题的研究在探地雷达检测水泥道路病害的基础上,采用GPRMAX2D软件模拟水泥道路病害图片的特征。利用YOLO v3对病害图像自动识别,并提高检测精度。研究了对水泥道路病害图像自动识别的方法。本课题分析了水泥道路病害的成因以及特征。了解路面结构,路面病害的空间位置,几何形状,形成原因以及不同病害的不同参数。采用GPRMAX软件对不同的水泥道路病害进行数值仿真模拟。探地雷达采集的图片由于各种因素的影响导致图片中含有噪声,采用中值滤波法、均值滤波法、双边滤波对探地雷达所采集的回声波进行降噪处理,主要过滤掉椒盐噪声。这样可以有效地对杂波以及噪声采取有效地抑制,从而提升了采集到的病害图像的质量。本课题通过对神经网络技术进行分析,利用其可以进行自学习,寻找发现实际样本中的特征和规律,可以根据训练习得的特点,正确预测新样本的分类,多运算可独立并行,提高运行训练速度等优越性。采用YOLO 作为基本框架对数据集进行训练。详细阐述了YOLO v3各模块的卷积机制,介绍v3网络识别原理。分析不同预测边界框和不同学习率下识别损失值大小,以提高识别准确率。将已采集好的探地雷达回波样本,通过均值滤波、中值滤波以及双边滤波杂波抑制方法进行降噪后,放入已训练完成的YOLO v3中,对比v2和v3对各病害识别精度,得出v3对识别病害区域的有效性和优越性。
关守岩[4]（2021）在《基于CNN的激光超声表面裂纹检测方法研究》文中研究表明金属零部件在复杂的工况条件下,如高温高湿、冲击、振动以及大负载等,很容易在零部件表面产生各种微小的裂纹。如果不能及时发现而任由其不断扩展,会引发严重的安全隐患,甚至造成严重的安全事故。激光超声作为一种新兴的超声无损检测技术,凭借其独有的优势,在无损检测领域展现出良好的应用前景。在目前主流的检测方法中,实现对表面裂纹的判别主要依赖于使用多种信号处理手段从超声波的反射以及透射波信号中提取出相关的时频域信息,而这一过程则对相关人员的专业技能水平提出了较高的要求;除此之外,信号处理过程主要依赖人工操作,使得信号的判定结果很容易受到人为因素的干扰,导致检测结果的不稳定。针对这一问题,本文基于深度学习理论,以表面裂纹深度检测作为切入点,提出一种基于卷积神经网络的激光超声裂纹检测方法,实现对表面裂纹深度的自动检测和分类。主要的工作内容如下:（1）采用有限元方法模拟激光超声在基底-涂层结构的传播过程,探究表面涂层和表面裂纹对声表面波传播的影响;对声表面波信号进行时域分析和时频域分析,确定表面裂纹的位置和裂纹深度与反射波信号频率特征之间的关联,选择合适的时频域分析方法,为接下来训练卷积神经网络模型前的数据预处理做准备。（2）针对信号处理过程中需要人工提取特征信号进行判别的问题,提出一种基于卷积神经网络的表面裂纹深度分类方法。该方法使用声表面波信号的小波时频图训练卷积神经网络,由卷积神经网络实现对裂纹深度特征的提取和分类。通过加深网络结构、调整超参数等方法对提出的卷积神经网络作进一步的优化,以提高模型的分类准确率并加快模型的训练速度,试验结果表明:提出的卷积神经网络模型能够对裂纹深度准确分类。（3）针对工业环境中有标签的样本难以大量获取的问题,提出了一种基于迁移学习理论的表面裂纹深度检测模型。使用开源数据集预训练卷积神经网络模型,然后使用少量的目标域样本将模型迁移至目标域,以解决目标域数据过少的问题。采用微调的方法,对模型的分类层参数进行微调以提高模型的泛化能力。
陈杰[5]（2021）在《复材航空构件智能检测与分析》文中进行了进一步梳理复合材料构件强度高、密度低,能显着降低航空飞行成本并提升航空设备性能,因此被大量应用于航空设备制造。在航空工业生产过程中,保障复材铺设的正确性以及对复材质量进行有效评估,具有重要研究价值和意义。复材构件检测主要包括:（1）复材在多层铺设中表面异物混杂检测;（2）对复材构件内部缺陷的检测。复材织物具有表面光反射复杂、光学图像对比度高、纤维纹理丰富等特点。表面夹杂物多为隔离纸等半透明薄膜,复材铺叠时若不及时发现并去除夹杂物会造成分层、脱粘等缺陷,留下严重隐患;复材缺陷内部缺陷检测主要采用超声设备进行扫描,人工通过超声图像判别缺陷,对检测人员的专业知识依赖性高,缺陷评定速度慢,人为疏漏可能性高,影响检测效率。基于上述问题,本文结合成都某飞机工业集团生产过程的实际需求,对构件生产过程质量监测提出两个阶段的对应方案:在复材织物铺叠成型阶段进行表面夹杂物检测;在复材构件成型后内部缺陷检测阶段结合现有超声检测设备实现缺陷区域自动提取。为解决铺叠成型阶段织物区域图像对比度高,明暗差异大的问题,本文设计了表面夹杂物检测算法,制定了检测硬件选型方案,并结合注意力机制,采用编码器-解码器架构设计了用于表面夹杂物分割检测的网络模型,实验验证该模型对于夹杂物分割的像素准确率可以达到94%。对于无损检测阶段超声图像噪声大、伪缺陷轮廓多的问题,本文结合项目中实际采用的超声C-扫描方法以及对缺陷超声图像灰度及轮廓的特征分析,提出了基于边缘检测和贝塞尔曲线图像灰度增强的缺陷边缘提取方法,以及基于聚类的缺陷区域分割方法。本文的工作和创新点如下:（1）结合复合材料表面夹杂物检测需求,研究分析复合材料表面光学图像特点,进行表面夹杂物检测方案的硬件选型,结合项目对于图像数据采集需要,搭建铺叠模拟环境进行表面夹杂物光学图像数据采集。（2）针对表面夹杂物光学图像对比度高,各区域明暗差异大,暗区缺陷对比度低造成难以检测的问题,本文制作了各级光照条件下夹杂物与复合材料背景实物数据集,设计了结合注意力机制和多重残差结构的表面夹杂物分割检测网络,实现了缺陷特征学习和夹杂物区域检测。（3）为满足复材超声图像缺陷区域检测分割需要,本文对比了边缘检测算子效果,提出基于边缘检测和聚类分割的缺陷区域分割方法。为解决超声灰阶图像中缺陷特征不明显、背景噪声过大问题,设计了基于三阶贝塞尔曲线的灰度变换函数,提升了缺陷检测的效果。
李兴龙[6]（2021）在《基于BP神经网络的超声定量评估技术研究》文中指出随着科学技术的发展,各行各业对材料以及结构的安全性要求日益提高。由于材质自身缺陷以及长期受到各种载荷的影响,材料和结构在生产及服役的过程中会产生各种类型的缺陷,比如裂纹、孔洞以及夹杂等,进而导致重大安全事故,造成人员伤亡和巨额财产损失。因此发展有效的无损检测技术至关重要。超声检测技术由于其具有灵敏度高、穿透能力强、缺陷定位准确、操作简单、对人体无害等优点被广泛应用。但是该方法针对复杂形状缺陷的定位及定量仍具有一定的难度,并且超声成像所需数据量比较大,效率比较低等。本文基于超声A扫描技术,针对不同形状的缺陷开展数值模拟和实验测试,获得了超声信号的变化特征,结合信号处理技术获得了对缺陷敏感的损伤特征参数,最后利用BP神经网络、图像处理技术及数据融合技术,对单缺陷及多缺陷的反演成像开展了研究。本文具体的研究内容及创新点如下:（1）利用COMSOL软件建立了超声传播的有限元模型,分析了在2024铝中,超声传播与三角形缺陷、圆形缺陷之间的作用关系;然后搭建了超声检测系统,对含有不同形状通孔缺陷的铝块试样进行检测;仿真结果及实验结果都表明了不同缺陷之间的超声信号存在差异,例如信号的幅值、宽度及对称性等,其差异性为缺陷特征的进一步提取奠定基础;同时,仿真结果与实验结果趋势的一致性,进一步验证了有限元仿真结果的正确性。（2）利用信号处理技术从时域、频域及形态三方面提取了19个特征,进一步分析特征与缺陷之间的规律,得到11个对缺陷敏感的特征值:包含4个时域特征,即峰值、幅值减少的时间、0.1Im直线的持续时间、0.5Im直线的持续时间;3个频域特征,即频谱峰值、低频分量、-1d B带宽;和4个形态特征,即形状系数、标准差、归一化能量、幅度均值。为缺陷反演奠定了基础。（3）利用BP神经网络及D-S证据理论融合技术,实现了对三角形单缺陷、圆形单缺陷以及多缺陷的反演,为复杂形状缺陷的反演提供了新方法;同时对同一缺陷不同位置处采集的信号的反演结果进行融合,与单一位置处信号的反演结果相比,其充分利用了缺陷的不同方向所反射的信号,进一步提高了缺陷反演的准确性与可靠性。
郑洲洲[7]（2021）在《基于深度学习的轮胎缺陷检测方法研究》文中研究指明随着经济的发展,人们的物质生活水平不断提高,汽车已经成为人们工作和出行必备的交通工具。轮胎作为汽车直接与地面接触的部件,主要用于承载汽车重量,缓冲和减震。轮胎的质量直接关系着行车安全,对于保障驾驶员的安全极其重要。传统的轮胎质量检测主要依靠X射线成像配合裸眼检测,该检测方式具有检测效率低、主观性强、难以满足实时检测的需求等缺点。近年来,随着计算机视觉技术的快速发展,国内外学者提出了一系列工业缺陷检测算法,为工业产品表面质量评估提供了参照。然而,轮胎X射线图像复杂的各向异性纹理背景、缺陷与背景间低的视觉质量、各类缺陷间相似性和同类缺陷间的差异性等特点,使得传统方法用于轮胎缺陷检测具有巨大挑战。本文以目前常见乘用车子午线轮胎（以下统称轮胎）X射线图像为研究对象,基于深度学习技术提出轮胎缺陷的分类、检测和分割方法。设计了与传统方法的对比实验,验证了所提方法的优越性。本文主要研究内容和贡献如下:（1）建立了轮胎缺陷数据集,涵盖了轮胎X射线图像主要的缺陷类型,包括胎面异物（245幅）、胎侧异物（337幅）、胎面帘线开裂（218幅）、胎侧帘线开裂（331幅）、胎侧帘线重叠（132幅）和气泡（187幅）。分别采用LabelImg和Labelme小程序制作了相应的目标检测矩形框标签和语义分割像素级标签,并对数据集进行了随机旋转、尺度变换、像素平移和拉伸,扩充后的数据集达7250幅。（2）提出了一种基于卷积神经网络的轮胎缺陷分类算法。传统的基于特征提取和分类器的目标分类方法,大多需要经验性主观设定参数而导致分类结果的互异性。为克服传统分类方法对多纹理、各向异性背景下缺陷分类的不适应性,本文提出一种基于卷积神经网络的方法,提取缺陷的深度特征并对轮胎缺陷进行分类,采用迁移学习策略和合适的优化器以加速网络的收敛。实验结果表明,本文提出的分类方法在轮胎缺陷测试集上的综合分类准确率达96.2%,测试集图像平均分类时间为0.012s/幅。（3）针对主流的目标检测深度神经网络在检测的过程中容易出现目标丢失现象,为解决轮胎复杂纹理大背景下的小目标缺陷检测问题,增加目标检测网络对小目标缺陷的适应性,在YOLOv3网络的基础上,本文提出一种基于K-means聚类算法的网络锚框尺寸优化方法以增加网络对轮胎缺陷的适应能力。针对目标检测网络IoU（Intersection over Union,IoU）损失函数,当IoU=0时,无法反映出预测边界框与实际框之间的距离,没有梯度返回,训练无法进行。引入了C检测框,即包含预测边界框和目标真实框的最小矩形框,解决了当预测边界框和真实框不重叠时,训练中止的问题。本文利用上述方法对YOLOv3网络进行了优化,实验结果表明,优化后的YOLOv3的AP（Average Precision,AP）值达到了91.39%,实现了高质量的轮胎缺陷感兴趣区域提取。对分辨率为2469*11400的整幅轮胎X射线图像的检测时间为1.090s,能够满足工业生产的在线检测要求。（4）为解决特征提取网络低层和高层特征分别对目标的形态,边缘和语义信息具有强的表征能力,单独采用高层特征做预测不能完整的反映缺陷的轮廓信息。本文基于PSPNet（Pyramid Scene Parsing Network,PSPNet）,采用金字塔特征融合网络实现高层和低层特征的融合,结合空间金字塔池化交替扩大感受野,同时网络引入了一种注意力机制用于更好的表征有用特征,弱化无用特征。改进后的网络模型在轮胎缺陷分割中取得了较好结果,分割精度mIoU（Mean Intersection over Union,mIoU）值达87.86%,对测试集图像的平均检测时间为0.068s/幅,整幅轮胎的检测时间为1.158s,能够实现高效的产品智能质量控制。
张旭[8]（2021）在《环焊缝DR检测数据的图像处理技术研究》文中研究说明如今,油气管道行业发展迅猛,管道质量影响到油气输送安全,通过对管道进行探伤检测可对管道质量进行严格把关,无损检测可在不损伤管道的前提下进行质量评价,其中,X射线检测相较于其他检测方案具有拍摄成像快、评片成本低、识别准确率高、适用范围广、不受环境限制等优势,是焊缝缺陷检测领域的主要检测方式之一,但也存在一些不可避免的问题。一方面,受硬件设施等因素所限,图像对比度低,受噪声影响,导致缺陷与噪声重叠,背景灰度差小,需要先经过图像处理后再评片。为提高检测人员评片效率,本文围绕基于图像处理技术的缺陷提取展开研究。另一方面,当前以人工评价方式对X射线环焊缝图像进行检测,疲劳状态下容易出现误判漏判,且具有主观性。为避免以上问题,本文围绕基于深度学习的缺陷智能识别展开研究,最终实现人机结合的评价体系。图像处理方面,首先,针对环焊缝图像对比度低和噪声干扰问题,对图像进行对比度提升和降噪处理,针对均值滤波丢失细节信息的问题进行算法改进,通过对比实验证明图像对比度和抑制噪声能力提升。其次,进行缺陷提取,图像缺陷区域容易受到焊接过程、成像过程的外部因素干扰,在图像中出现边缘模糊的情况。因此本文设计了一种基于Otsu阈值分割法和Canny算子相结合的边缘提取策略来获得缺陷区域。实验结果表明,该方案对缺陷边缘提取效果较好。智能识别方面,本文首先实现基于深度信念网络的缺陷识别,并进行性能测试,其次实现基于卷积神经网络的缺陷识别,介绍基本网络结构,对模型进行不同训练次数和激活函数的测试,根据性能择优选择。最后,进行两种神经网络缺陷识别能力对比,证明卷积神经网络对环焊缝图像缺陷识别效果较好。本文通过对X射线图像进行提升对比度、改进滤波算法的降噪处理、设计提取缺陷边缘方案等操作,提高了人工评片的准确率和效率。通过不同神经网络算法间的性能对比,证明基于卷积神经网络的方案对识别缺陷具有更好效果,实现了智能识别,提高了评片效率。
石林[9]（2021）在《基于深度学习的金属表面腐蚀等级检测研究》文中提出配电箱金属表面腐蚀检测与腐蚀等级分类,可以协助配电箱维护人员做出及时的判断并进行相关的防腐处理。目前存在的金属表面腐蚀检测方法较为繁琐,耗时、耗力且对于操作人员的技术要求较高,很难快速得到较为准确的金属表面腐蚀等级信息。近年来作为深度学习算法代表之一的卷积神经网络在数字图像及视频处理方向取得了巨大成功,为本文利用深度学习对配电箱金属表面腐蚀等级检测提供了思路。本文配电箱金属表面腐蚀图像样本来自于湖北电力公司,并对配电箱所处环境进行了详细的分析,从而获得了较好的配电箱金属表面腐蚀等级信息。本文研究目标是搭建卷积神经网络,选择合适的损失函数对网络模型进行优化,实现配电箱金属表面腐蚀等级的快速、高准确率检测。论文的主要研究内容如下:配电箱金属表面腐蚀图像样本预处理。本文根据其图片本身特性进行了合理的图像标签建立,并对原始的配电箱金属表面腐蚀图像进行数据增强得到最终的实验样本。研究一种基于深度学习的金属表面腐蚀等级检测方法。根据卷积神经网络的基本结构,搭建了用于配电箱金属表面腐蚀等级检测的卷积神经网络模型MS1Net,并添加SENet特征提取模块分配金属表面腐蚀特征的重要性。最后通过损失函数和网络之间的对比实验,证明所提网络模型MS1Net的有效性。为了提取更加丰富的配电箱金属表面腐蚀特征和解决样本种类不均衡问题。首先引入动态卷积网络概念,对MS1Net网络模型进行改进。根据动态卷积理论提出网络模型MS2Net,用SKNet将网络中的注意力机制从通道注意力机制的研究转移到卷积核注意力机制的研究上,强调卷积核的重要性,从而扩大网络的感受野来提取更加丰富的配电箱金属表面腐蚀特征。接着对交叉熵损失函数进行改进,运用Focal Loss损失函数对MS2Net网络模型进行优化,从而解决样本种类不均衡问题。最后通过损失函数和网络之间的对比,证明Focal Loss损失函数给网络带来的收益最好,通过改进得到的MS2Net网络模型在配电箱金属表面腐蚀等级检测上有更高的检测准确率。根据改进的金属表面腐蚀等级检测方法,开发一套可供配电箱维护人员使用的精度高、鲁棒性强的配电箱金属表面腐蚀等级检测系统。
冉蓉,徐兴华,邱少华,崔小鹏,欧阳斌[10]（2021）在《基于深度卷积神经网络的裂纹检测方法综述》文中提出裂纹是威胁民用基础设施安全运行的重要因素之一,及时准确地检测出裂纹可以有效避免事故的发生。基于计算机视觉的自动裂纹检测方法具有操作简单、检测速度快、检测精度高的优点,被广泛应用于桥梁、道路监测、房屋建造、轨道交通等领域。总结了现有裂纹检测主要手段,详细介绍了三类基于深度卷积神经网络的裂纹检测方法,即基于分类的裂纹检测、基于目标检测的裂纹检测、基于像素级分割的裂纹检测,分析了基本原理、优缺点及其实际应用。汇总了裂纹检测领域常用数据集,并探讨了基于深度卷积神经网络的检测方法存在的问题,对其未来发展进行了展望。
二、神经网络在道路无损检测中的应用（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、神经网络在道路无损检测中的应用（论文提纲范文）
（1）偏心轴超声检测及缺陷智能识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 超声检测技术研究概况 |
| 1.3 超声检测智能化相关技术研究概况 |
| 1.3.1 机器人检测技术发展现状 |
| 1.3.2 超声缺陷信号处理技术研究概况 |
| 1.3.3 缺陷智能识别技术研究概况 |
| 1.4 论文研究的主要内容 |
| 第二章 偏心轴工件超声检测系统设计 |
| 2.1 五轴机械手超声检测系统总体结构 |
| 2.1.1 五轴机械手及控制器 |
| 2.1.2 水箱检测平台设计 |
| 2.2 偏心轴的扫查轨迹规划方法 |
| 2.3 偏心轴扫查轨迹的分配 |
| 2.4 五轴机械手运动学分析 |
| 2.4.1 刚体的位姿描述 |
| 2.4.2 机械手运动学正解模型 |
| 2.4.3 机械手运动学逆解模型 |
| 2.4.4 选择合适的逆解 |
| 2.5 机械手运动轨迹规划 |
| 2.5.1 三次多项式轨迹规划法 |
| 2.5.2 五次多项式轨迹规划法 |
| 2.5.3 多项式轨迹规划仿真实验 |
| 2.6 本章小结 |
| 第三章 基于小波包能量谱的缺陷特征提取 |
| 3.1 小波分析技术 |
| 3.1.1 小波变换 |
| 3.1.2 离散小波分析 |
| 3.1.3 多分辨率分析 |
| 3.2 缺陷信号去噪处理 |
| 3.2.1 小波基的选择 |
| 3.2.2 分解层数的选择 |
| 3.2.3 阈值的选择 |
| 3.2.4 阈值函数的选择 |
| 3.3 小波去噪实验仿真 |
| 3.4 小波包理论 |
| 3.4.1 小波包的基本概念 |
| 3.4.2 小波包分解频带能量提取算法 |
| 3.5 基于小波包能量谱的缺陷特征提取 |
| 3.5.1 基于小波包能量谱的特征提取步骤 |
| 3.5.2 基于小波包能量谱的缺陷信号能量提取实验 |
| 3.6 本章小结 |
| 第四章 概率神经网络在缺陷识别中的应用 |
| 4.1 径向基函数神经网络 |
| 4.2 径向基函数神经网络工作原理 |
| 4.3 概率神经网络(PNN) |
| 4.3.1 概率神经网络的结构 |
| 4.3.2 概率神经网络工作原理 |
| 4.4 基于麻雀搜索算法改进的概率神经网络 |
| 4.4.1 麻雀搜索算法原理 |
| 4.4.2 麻雀搜索算法优化平滑因子的步骤 |
| 4.4.3 改进概率神经网络性能测试 |
| 4.5 本章小结 |
| 第五章 偏心轴超声检测实验及分析 |
| 5.1 实验的前期准备 |
| 5.1.1 偏心轴表面缺陷试样制作 |
| 5.1.2 超声检测条件的选择 |
| 5.2 偏心轴缺陷信号的采集与处理 |
| 5.2.1 缺陷信号采集流程 |
| 5.2.2 缺陷信号的降噪处理 |
| 5.2.3 缺陷信号特征提取 |
| 5.3 偏心轴缺陷智能识别 |
| 5.3.1 概率神经网络的建立 |
| 5.3.2 概率神经网络平滑因子的确定 |
| 5.3.3 改进后的概率神经网络识别 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间学术成果 |
（2）齿轮缺陷水浸超声检测技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 超声检测研究背景 |
| 1.1.2 齿轮研究背景 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 国内研究现状 |
| 1.3.2 国外研究现状 |
| 1.4 主要研究内容 |
| 第二章 齿轮超声检测系统的设计 |
| 2.1 机械系统设计 |
| 2.1.1 检测系统工作过程 |
| 2.1.2 检测水箱的设计 |
| 2.2 控制系统的设计 |
| 2.2.1 运动控制方案的设计 |
| 2.2.2 超声探伤卡的设计 |
| 2.3 本章小结 |
| 第三章 齿轮超声检测方法的研究 |
| 3.1 齿轮缺陷的超声检测 |
| 3.1.1 齿轮缺陷样本 |
| 3.1.2 常规缺陷检测 |
| 3.1.3 水浸超声检测 |
| 3.2 频谱分析的研究 |
| 3.2.1 傅立叶变换的研究 |
| 3.2.2 频谱分析方法 |
| 3.3 齿轮缺陷的频谱分析 |
| 3.4 本章小结 |
| 第四章 齿轮超声检测的神经网络研究 |
| 4.1 神经网络 |
| 4.1.1 人工神经网络 |
| 4.1.2 BP神经网络 |
| 4.2 BP神经网络算法原理 |
| 4.3 BP神经网络的局限性和改进 |
| 4.4 基于改进后的BP神经网络的缺陷识别 |
| 4.5 本章小结 |
| 第五章 齿轮缺陷超声检测实验及分析 |
| 5.1 齿轮缺陷超声检测实验 |
| 5.1.1 自动化齿轮缺陷超声检测实验设备 |
| 5.1.2 实验测试波形曲线 |
| 5.2 齿轮缺陷的分析与识别 |
| 5.2.1 对齿轮的缺陷进行频谱分析 |
| 5.2.2 改进后的BP神经网络对齿轮缺陷进行识别 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在研期间学术成果 |
（3）基于神经网络的水泥路面探地雷达病害图像识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题的研究背景与意义 |
| §1.2 国内外研究现状 |
| §1.2.1 国外研究现状 |
| §1.2.2 国内研究现状 |
| §1.3 课题研究的主要内容和论文安排 |
| 第二章 基于神经网络的雷达图像识别原理 |
| §2.1 探地雷达基本原理 |
| §2.1.1 探地雷达检测的步骤 |
| §2.2 神经网络原理 |
| §2.2.1 传统神经网络 |
| §2.2.2 多层神经网络 |
| §2.3 本章小结 |
| 第三章 GPRMAX雷达数据数值模拟 |
| §3.1 GPRMAX2D正演 |
| §3.1.1 GPRMAX2D正演原理 |
| §3.1.2 基本参数设置 |
| §3.2 常见水泥路面病害模拟 |
| §3.2.1 GPRMAX2D正演流程 |
| §3.2.2 道路病害模拟 |
| §3.3 本章小结 |
| 第四章 YOLO v3 训练 |
| §4.1 基于Darknet53 框架的YOLO v3 原理 |
| §4.1.1 卷积神经网络的训练 |
| §4.1.2 Darknet-53 结构 |
| §4.1.3 YOLO v3 结构 |
| §4.1.4 目标检测指标 |
| §4.2 YOLO v3 训练 |
| §4.2.1 数据集的标注 |
| §4.2.2 修改配置文件 |
| §4.3 病害图像识别实验 |
| §4.3.1 不同预选框下YOLO v3 识别率 |
| §4.3.2 不同学习率下YOLO v3 识别率 |
| §4.4 本章小结 |
| 第五章 神经网络图像识别技术的应用 |
| §5.1 探地雷达图像采集 |
| §5.2 探地雷达图像预处理 |
| §5.2.1 中值滤波 |
| §5.2.2 均值滤波 |
| §5.2.3 双边滤波 |
| §5.2.4 仿真与实验分析 |
| §5.3 病害区图像识别对比 |
| §5.4 本章小结 |
| 第六章 总结与展望 |
| §6.1 总结 |
| §6.2 创新点 |
| §6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（4）基于CNN的激光超声表面裂纹检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 激光超声无损检测技术的研究 |
| 1.2.1 激光超声无损检测 |
| 1.2.2 激光超声信号处理方法研究 |
| 1.3 卷积神经网络在工业领域的应用 |
| 1.3.1 基于卷积神经网络的故障诊断 |
| 1.3.2 卷积神经网络在无损检测领域的应用 |
| 1.4 本文研究内容与结构安排 |
| 2 激光超声的原理及有限元分析 |
| 2.1 激光超声的激发原理 |
| 2.2 有限元分析 |
| 2.2.1 几何模型 |
| 2.2.2 热弹耦合问题的有限元表达 |
| 2.2.3 仿真参数设置 |
| 2.3 声表面波在带涂层铝板表面的传播 |
| 2.3.1 表面涂层对声表面波传播的影响 |
| 2.3.2 表面裂纹对声表面波传播的影响 |
| 2.3.3 声表面波信号的时域分析 |
| 2.4 声表面波信号的时频域分析 |
| 2.4.1 声表面波信号的短时傅里叶变换 |
| 2.4.2 声表面波信号的小波分析 |
| 2.5 本章小结 |
| 3 基于卷积神经网络的裂纹深度检测 |
| 3.1 卷积神经网络 |
| 3.1.1 卷积神经网络的基本组成 |
| 3.1.2 基于二维卷积神经网络的裂纹深度检测模型 |
| 3.2 优化函数 |
| 3.3 训练数据及其预处理 |
| 3.3.1 数据集描述 |
| 3.3.2 数据预处理 |
| 3.4 模型训练结果 |
| 3.5 本章小结 |
| 4 裂纹深度检测深层卷积神经网络 |
| 4.1 深层卷积神经网络结构 |
| 4.2 批量归一化及超参数优化 |
| 4.2.1 批量归一化操作 |
| 4.2.2 超参数优化 |
| 4.3 方法验证及模型性能分析 |
| 4.3.1 网络模型的具体参数设置 |
| 4.3.2 数据集描述 |
| 4.3.3 训练及测试结果 |
| 4.4 信号噪声对模型性能的影响 |
| 4.4.1 噪声数据描述 |
| 4.4.2 试验结果与分析 |
| 4.5 卷积层的可视化 |
| 4.6 本章小结 |
| 5 小样本条件下基于迁移学习的裂纹深度检测 |
| 5.1 迁移学习简介 |
| 5.2 基于VGG-16 网络的表面裂纹深度检测模型 |
| 5.2.1 VGG-16 卷积神经网络 |
| 5.2.2 基于VGG-16 的迁移学习 |
| 5.2.3 训练结果分析 |
| 5.3 通过微调增强模型表现 |
| 5.3.1 模型微调 |
| 5.3.2 试验数据集及验证过程 |
| 5.3.3 试验结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（5）复材航空构件智能检测与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 基于图像的缺陷检测研究现状 |
| 1.3 深度学习缺陷分割研究 |
| 1.4 复材构件缺陷检测方法 |
| 1.5 论文研究内容及结构安排 |
| 第2章 复材表面夹杂物及缺陷图像分析 |
| 2.1 复材铺叠过程夹杂物模拟数据采集 |
| 2.2 复材构件超声图像 |
| 2.2.1 超声探伤原理及设备 |
| 2.2.2 复材构件超声图像 |
| 2.3 复材表面夹杂物及内部缺陷图像分析 |
| 2.3.1 表面夹杂物图像 |
| 2.3.2 缺陷超声图像 |
| 2.4 缺陷边缘检测及区域分割 |
| 2.4.1 目标轮廓提取实验 |
| 2.4.2 图像区域分割实验 |
| 2.5 本章小结 |
| 第3章 结合注意力机制的夹杂物分割网络 |
| 3.1 图像处理与数据增强 |
| 3.1.1 图像几何空间变换 |
| 3.1.2 图像直方图均衡算法 |
| 3.2 神经网络注意力机制 |
| 3.3 夹杂物检测分割网络结构 |
| 3.3.1 网络结构设计 |
| 3.3.2 检测效果评价指标 |
| 3.4 缺陷分割网络训练 |
| 3.4.1 实验算法运行平台 |
| 3.4.2 实验数据采集与标注 |
| 3.4.3 训练细节设置 |
| 3.5 缺陷检测实验及结果分析 |
| 3.5.1 基础网络检测效果实验 |
| 3.5.2 网络模型增强实验 |
| 3.5.3 明暗区域检测对比实验 |
| 3.6 本章小结 |
| 第4章 基于灰度增强的复材超声图像缺陷区域分割 |
| 4.1 复材构件超声图像 |
| 4.2 图像去噪及分割算法 |
| 4.2.1 滤波去噪处理 |
| 4.2.2 超像素算法 |
| 4.3 复材构件超声图像缺陷提取 |
| 4.3.1 缺陷边缘检测定位 |
| 4.3.2 缺陷区域分割提取 |
| 4.4 实验量化分析 |
| 4.4.1 实验数据 |
| 4.4.2 复材试块缺陷提取实验 |
| 4.4.3 蒙皮超声图像模拟缺陷提取实验 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 研究结论 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（6）基于BP神经网络的超声定量评估技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题的背景及意义 |
| 1.2 无损检测技术概况 |
| 1.3 超声检测技术概况 |
| 1.3.1 超声无损检测技术的发展趋势 |
| 1.3.2 超声检测的不足 |
| 1.4 相关技术在超声检测领域应用研究 |
| 1.4.1 数值模拟技术在超声检测中的应用 |
| 1.4.2 信号处理技术在超声检测中的应用 |
| 1.4.3 图像处理技术在超声检测中的应用 |
| 1.4.4 神经网络技术在超声检测中的应用 |
| 1.4.5 数据融合技术在超声检测中的应用 |
| 1.5 本文的主要内容及章节安排 |
| 2 超声检测及相关技术的基础理论 |
| 2.1 引言 |
| 2.2 超声检测技术 |
| 2.2.1 超声的概念 |
| 2.2.2 超声场的特征参量 |
| 2.2.3 超声波的分类 |
| 2.2.4 超声检测的原理及分类 |
| 2.3 有限元分析技术 |
| 2.3.1 有限元分析的基本理论 |
| 2.3.2 有限元分析的基本步骤 |
| 2.4 信号处理技术 |
| 2.4.1 离散傅里叶变换 |
| 2.4.2 快速傅里叶变换 |
| 2.5 神经网络技术 |
| 2.5.1 人工神经网络的理论及分类 |
| 2.5.2 BP神经网络理论及算法 |
| 2.6 图像处理技术 |
| 2.7 本章小结 |
| 3 超声检测模拟仿真与实验 |
| 3.1 引言 |
| 3.2 基于COMSOL软件的仿真模拟 |
| 3.2.1 构件及缺陷设计 |
| 3.2.2 模拟参数设置 |
| 3.2.3 探头步进的确定 |
| 3.2.4 声波的传播 |
| 3.3 基于不同形状缺陷的超声实验测试 |
| 3.3.1 试块的制备 |
| 3.3.2 超声缺陷检测系统 |
| 3.3.3 实验结果 |
| 3.4 实验与仿真模拟的对比分析 |
| 3.5 本章小结 |
| 4 超声信号多值域特征提取 |
| 4.1 引言 |
| 4.2 基于信号时域的特征提取与分析 |
| 4.3 基于信号频域的特征提取与分析 |
| 4.4 基于信号形态的特征提取与分析 |
| 4.5 训练数据库及验证数据库的建立 |
| 4.5.1 训练数据库的建立 |
| 4.5.2 验证数据库的建立 |
| 4.6 小结 |
| 5 缺陷的定量评估 |
| 5.1 引言 |
| 5.2 BP神经网络的结构设计 |
| 5.3 BP神经网络的训练 |
| 5.4 BP神经网络的性能预测 |
| 5.4.1 误差参数 |
| 5.4.2 单缺陷反演的预测分析 |
| 5.4.3 多缺陷反演的预测分析 |
| 5.5 不同位置多源数据的融合 |
| 5.5.1 D-S证据理论 |
| 5.5.2 不同信息源融合的缺陷反演 |
| 5.6 本章小结 |
| 6 结论 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）基于深度学习的轮胎缺陷检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 无损检测技术研究现状 |
| 1.3 子午线轮胎结构及X射线成像的特点 |
| 1.4 基于机器视觉轮胎缺陷检测技术 |
| 1.4.1 传统的视觉检测技术 |
| 1.4.2 深度学习检测技术 |
| 1.5 研究内容及章节安排 |
| 2 基于卷积神经网络的轮胎缺陷分类 |
| 2.1 卷积神经网络发展 |
| 2.2 CNN的组成 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.3 主干特征提取网络 |
| 2.4 迁移学习及超参数 |
| 2.5 实验与结果 |
| 2.5.1 数据集及扩充 |
| 2.5.2 实验环境设置 |
| 2.5.3 实验结果和讨论 |
| 2.6 本章小结 |
| 3 基于优化YOLOv3的轮胎缺陷检测 |
| 3.1 目标检测网络发展与运用 |
| 3.2 YOLOv3网络 |
| 3.3 基于K-means聚类优化的锚框尺寸选择 |
| 3.4 损失函数 |
| 3.5 实验与结果 |
| 3.5.1 数据集及扩充 |
| 3.5.2 实验设置 |
| 3.5.3 评价指标 |
| 3.5.4 实验结果和讨论 |
| 3.6 本章小结 |
| 4 基于改进PSPNet的轮胎缺陷分割 |
| 4.1 语义分割网络发展运用 |
| 4.2 PSPNet |
| 4.3 金字塔特征融合网络 |
| 4.4 注意力机制 |
| 4.4.1 SE模块 |
| 4.4.2 CBAM模块 |
| 4.5 实验与结果讨论 |
| 4.5.1 数据集及扩充 |
| 4.5.2 实验参数设置 |
| 4.5.3 评价指标 |
| 4.5.4 实验结果与讨论 |
| 4.6 无效样本讨论 |
| 4.7 本章小结 |
| 总结和展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（8）环焊缝DR检测数据的图像处理技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 课题来源与研究意义 |
| 1.3.1 课题来源 |
| 1.3.2 课题研究意义 |
| 1.4 论文的研究内容与组织架构 |
| 1.4.1 论文研究内容 |
| 1.4.2 论文组织架构 |
| 1.5 本章小结 |
| 第2章 环焊缝X射线实时成像系统 |
| 2.1 环焊缝X射线检测设备组成原理 |
| 2.2 环焊缝X射线成像特点 |
| 2.3 本章小结 |
| 第3章 环焊缝图像增强和降噪 |
| 3.1 环焊缝图像处理研究内容概要 |
| 3.2 环焊缝图像灰度处理 |
| 3.3 环焊缝图像增强 |
| 3.4 环焊缝图像降噪 |
| 3.4.1 噪声模型分析 |
| 3.4.2 降噪方案对比 |
| 3.5 本章小结 |
| 第4章 环焊缝图像缺陷边缘提取 |
| 4.1 环焊缝图像二值化 |
| 4.1.1 二值化原理 |
| 4.1.2 阈值选择 |
| 4.1.3 基于Otsu的阈值分割法 |
| 4.1.4 基于分水岭算法的分割法 |
| 4.2 缺陷边缘提取方案对比 |
| 4.2.1 基于Sobel算子的边缘提取 |
| 4.2.2 基于Laplacian算子的边缘提取 |
| 4.2.3 基于Canny算子的边缘提取 |
| 4.3 本章小结 |
| 第5章 基于深度学习的缺陷识别 |
| 5.1 基于深度信念网络的缺陷识别 |
| 5.1.1 受限玻尔兹曼机 |
| 5.1.2 网络结构设计 |
| 5.1.3 深度信念网络训练 |
| 5.1.4 性能分析 |
| 5.2 基于卷积神经网络的缺陷识别 |
| 5.2.1 卷积神经网络介绍 |
| 5.2.2 激活函数 |
| 5.2.3 实现目标 |
| 5.2.4 网络结构设计 |
| 5.2.5 训练过程 |
| 5.3 CNN模型性能测试 |
| 5.3.1 模型性能分析 |
| 5.3.2 激活函数测试 |
| 5.3.3 采样方案测试 |
| 5.3.4 网络性能测试 |
| 5.3.5 CNN与 DBN性能对比 |
| 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 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（9）基于深度学习的金属表面腐蚀等级检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 利用物理、化学的方法检测金属表面腐蚀等级研究现状 |
| 1.2.2 利用传统的计算机视觉检测金属表面腐蚀等级研究现状 |
| 1.2.3 深度学习的图像检测研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文章节安排 |
| 2 配电箱金属表面腐蚀图像数据预处理研究 |
| 2.1 数据来源 |
| 2.2 图像标签建立 |
| 2.3 数据增强 |
| 2.4 本章小结 |
| 3 基于卷积神经网络的金属表面腐蚀等级检测研究 |
| 3.1 引言 |
| 3.2 CNN卷积神经网络的基本结构 |
| 3.3 基于MS1Net卷积神经网络的金属表面腐蚀等级检测模型 |
| 3.3.1 MS1Net卷积神经网络结构模型 |
| 3.3.2 使用小型卷积滤波器 |
| 3.3.3 添加SENet特征提取模块 |
| 3.3.4 使用Dropout算法 |
| 3.3.5 MS1Net网络深度和卷积层数确定依据 |
| 3.3.6 MS1Net网络模型结构参数配置 |
| 3.3.7 模型优化 |
| 3.4 实验结果及分析 |
| 3.4.1 损失函数的对比实验及分析 |
| 3.4.2 网络结构的对比实验及分析 |
| 3.5 本章小结 |
| 4 基于动态卷积网络的金属表面腐蚀等级检测研究 |
| 4.1 引言 |
| 4.2 基于动态卷积的金属表面腐蚀等级检测模型 |
| 4.2.1 MS2Net卷积神经网络结构模型 |
| 4.2.2 动态卷积理论方法 |
| 4.2.3 模型优化 |
| 4.3 实验结果分析 |
| 4.3.1 损失函数的对比实验及分析 |
| 4.3.2 网络结构的对比实验及分析 |
| 4.4 本章小结 |
| 5 基于深度学习的金属表面腐蚀等级检测系统 |
| 5.1 引言 |
| 5.2 系统开发工具及环境 |
| 5.3 系统设计 |
| 5.3.1 系统设计理念 |
| 5.3.2 系统架构介绍 |
| 5.3.3 系统实现 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（10）基于深度卷积神经网络的裂纹检测方法综述（论文提纲范文）
| 1 表面裂纹检测常用的物理检测手段 |
| 2 基于计算机视觉的表面裂纹检测方法 |
| 2.1 基于图像处理的表面裂纹检测方法 |
| 2.2 基于机器学习的表面裂纹检测方法 |
| 2.2.1 监督学习方法 |
| 2.2.2 无监督学习方法 |
| 3 基于深度卷积神经网络的表面裂纹检测方法 |
| 3.1 深度卷积神经网络 |
| 3.2 基于图像分类的表面裂纹检测方法 |
| 3.3 基于目标检测的表面裂纹检测方法 |
| 3.4 基于像素级分割的表面裂纹检测方法 |
| 4 现有公开数据集 |
| 5 存在问题与发展展望 |
| 5.1 存在的问题 |
| 5.2 发展展望 |
| 6 结束语 |
四、神经网络在道路无损检测中的应用（论文参考文献）
- [1]偏心轴超声检测及缺陷智能识别方法研究[D]. 张贤. 沈阳化工大学, 2021(02)
- [2]齿轮缺陷水浸超声检测技术的研究[D]. 张亚芬. 沈阳化工大学, 2021(02)
- [3]基于神经网络的水泥路面探地雷达病害图像识别研究[D]. 周廷楠. 桂林电子科技大学, 2021(02)
- [4]基于CNN的激光超声表面裂纹检测方法研究[D]. 关守岩. 大连理工大学, 2021(01)
- [5]复材航空构件智能检测与分析[D]. 陈杰. 四川大学, 2021(02)
- [6]基于BP神经网络的超声定量评估技术研究[D]. 李兴龙. 北京交通大学, 2021(02)
- [7]基于深度学习的轮胎缺陷检测方法研究[D]. 郑洲洲. 青岛科技大学, 2021(02)
- [8]环焊缝DR检测数据的图像处理技术研究[D]. 张旭. 北华航天工业学院, 2021(06)
- [9]基于深度学习的金属表面腐蚀等级检测研究[D]. 石林. 重庆理工大学, 2021(02)
- [10]基于深度卷积神经网络的裂纹检测方法综述[J]. 冉蓉,徐兴华,邱少华,崔小鹏,欧阳斌. 计算机工程与应用, 2021(09)