第1章 绪论
1.1 概述
1.2 表面缺陷的常见分类
1.3 深度学习在表面缺陷检测中的研究现状
1.3.1 深度学习在表面缺陷检测中的应用场景
1.3.2 基于深度学习的表面缺陷检测难点及分析
1.4 本书主要内容和结构
1.4.1 主要研究内容
1.4.2 本书使用的表面缺陷数据集
1.4.3 本书组织结构
第2章 基于深度学习的表面缺陷检测理论基础
2.1 表面缺陷分类的深度学习基础
2.1.1 基本要素
2.1.2 基本模型
2.1.3 损失函数
2.1.4 优化算法
2.2 深度学习在表面缺陷检测中的经典模型与架构
2.3 本章小结
第3章 缺陷样本不均衡与少数类过采样算法
3.1 引言
3.1.1 经典少数类过采样方法
3.1.2 存在的问题与不足
3.2 基于样本分布统计的加权过采样
3.2.1 确定有效样本集
3.2.2 基于样本分布计算过采样数
3.2.3 生成新样本
3.3 实验结果与分析
3.3.1 UCI标准数据集测试结果
3.3.2 PlantVillage数据集测试结果
3.4 本章小结
第4章 联合半监督数据增广和迁移学习的小样本表面缺陷分类
4.1 引言
4.1.1 数据增广的定义
4.1.2 经典数据增广方法
4.1.3 当前方法存在的缺陷和不足
4.2 小样本驱动的卷积神经网络
4.2.1 半监督式数据增广方法
4.2.2 迁移学习和待选CNN架构
4.3 SSDA普适性分析及CNN架构选择
4.3.1 使用数据集和训练策略说明
4.3.2 SSDA普适性分析
4.3.3 CNN架构选择
4.4 本章小结
第5章 面向多尺寸表面缺陷分类的多尺度特征学习网络
5.1 引言
5.1.1 多尺寸表面缺陷的特征提取问题
5.1.2 经典CNN架构中感受野尺度的分析
5.1.3 目标检测网络中的多尺度机制
5.2 基于双模特征提取器的多尺度特征学习网络
5.2.1 双模特征提取器
5.2.2 多尺度特征学习网络
5.2.3 加速网络训练的设计细节
5.3 MSF-Net的高效性和准确性评估
5.3.1 对比网络介绍
5.3.2 使用数据集介绍
5.3.3 网络训练效率评估
5.3.4 多尺度数据集分类表现评估
5.4 本章小结
第6章 复合表面缺陷与基于注意力机制的特征关联网络
6.1 引言
6.1.1 复合表面缺陷与多标签分类问题
6.1.2 基于深度学习的多标签分类方法回顾
6.2 基于注意力机制的特征关联网络
6.2.1 特征提取模块
6.2.2 多标签特征分离模块
6.2.3 特征抑制与激活模块
6.2.4 多标签特征关联学习模块
6.3 FAR-Net性能评估与模块分析
6.3.1 模型训练方法
6.3.2 多标签缺陷数据集
6.3.3 FAR-Net性能评估
6.3.4 模块讨论与分析
6.4 本章小结
第7章 总结与展望
7.1 总结
7.2 未来研究展望
参考文献
展开
