一、基于人工神经网络的板形缺陷识别（论文文献综述）
胡鹰,孙绍宁,乔磊明[1]（2021）在《基于卷积神经网络的板形缺陷识别》文中认为板形缺陷识别对于矫直机在矫直过程中具有重要意义,针对传统板形缺陷识别精度低、操作繁琐等问题,以AlexNet模型为基础,提出一种基于卷积神经网络的板形缺陷识别模型（OP-AlexNet）。在预处理阶段利用双立方插值算法对数据集中的图片进行尺寸的统一并进行标准化操作。对AlexNet模型结构进行优化,包括调整卷积核大小并减少两层卷积层,删除一层全连接层降低网络复杂度;对卷积层提取的特征批量归一化（batch normalization,BN）以加快网络的收敛速度,激活函数选择LeakyReLU（Leaky Rectified Linear Unit）替换原结构的ReLU（Rectified Linear Unit）激活函数以减少静默神经元的出现。实验结果表明该模型最终识别精度达到91.3%,相比AlexNet模型提高了16.2%,并具有更好的鲁棒性,能够满足板形缺陷识别的要求。
魏楷伦[2]（2021）在《基于改进神经网络的板形识别模型设计》文中研究指明
张秀玲,李家欢,李金祥,魏楷伦,康学楠[3]（2020）在《混合优化RBF-BP网络的板形缺陷识别》文中研究指明针对传统板形模式识别方法存在精度低、鲁棒性弱的问题,提出了一种混合优化RBF-BP组合神经网络板形模式识别方法。首先利用自组织映射网络（SOM）对样本聚类,利用聚类后的网络拓扑结构确定RBF的中心,并计算RBF的宽度,克服了传统聚类算法随机选取中心导致聚类结果不稳定的问题。然后利用遗传算法（GA）良好的全局搜索能力优化整个网络的权值。RBF-BP组合神经网络是由一个RBF子网和一BP子网串联构成的,该网络同时具备BP神经网络能较好地预测未知样本的能力以及RBF神经网络的逼近速度快的优点。并以某900HC可逆冷轧机板形识别为应用背景,在MATLAB2010a环境下进行仿真实验,结果表明混合优化RBF-BP组合神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形缺陷识别精度并具有较好的鲁棒性,可以满足板带轧机高精度的板形控制要求。
李家欢[4]（2019）在《板形缺陷识别模型优化设计及仿真实现》文中研究说明随着社会经济的发展,钢铁行业扮演着越来越重要的角色,许多行业对现代冷轧带钢的生产提出了更高的要求。板形是检验板带材质量的重要指标之一,它是决定板带产品质量好坏的关键,如何实现对板形快速、稳定、精确的控制成为国内研究学者的重要课题。其中板形识别是整个板形闭环控制系统中的基础和重要环节,其识别结果对后续的板形控制至关重要。近年来,随着人工智能的兴起,越来越多的学者将人工智能应用到板形缺陷识别中,并且大大提高了板形识别的精度,这有利于今后的板形控制。基于此本文的主要工作如下:针对传统板形缺陷识别方法存在精度低等问题,提出了一种混合优化RBF-BP神经网络板形识别方法。首先利用自组织竞争映射网络（SOM）对样本聚类,利用聚类后的网络拓扑结构确定RBF的中心与宽度,克服了传统聚类算法随机选取中心导致聚类结果不稳定的问题;然后利用遗传算法（GA）良好的全局搜索能力优化网络的权值。RBF-BP网络同时具备BP神经网络能较好地预测未知样本的能力以及RBF神经网络的逼近速度快的优点。最后仿真结果表明混合优化RBF-BP神经网络的板形识别方法能够识别出常见的板形缺陷,并且板形识别精度提高了48.02%。考虑到板形控制是一个复杂性、非线性以及强耦合性的控制系统,而神经网络不可避免地存在学习精度与学习速度的矛盾,因此建立一个精确的板形控制数学模型是非常困难的。本文将RBF-ARX模型应用到板形缺陷识别中,RBF-ARX模型同时具有ARX模型对线性系统建模的精确性和RBF神经网络的逼近能力,非常适合复杂系统的建模与控制;同时针对传统的结构化非线性参数优化算法（SNPOM）在辨识RBF-ARX模型参数时易陷入局部最优解的问题,将云遗传算法和SNPOM算法结合,提出一种混合优化算法CGA-SNPOM。最后的仿真结果表明基于CGA-SNPOM优化的板形识别模型克服了SNPOM容易陷入局部极值的缺点,并且板形识别精度提高了75.03%。
代景欢[5]（2019）在《基于RBF的板形识别模型设计与FPGA实现》文中认为随着社会的不断发展,各个行业对高质量板带钢的需求也越来越迫切。板形是衡量板带钢生产水平的重要指标之一,想要生产出符合标准的板带钢,板形的识别与控制必须满足一定的精度和实时性要求。近些年人工智能、深度学习理论发展迅速,为许多传统行业注入了新的活力,数据驱动的建模方法得到了广泛应用。本文在板形识别的工程背景下,改进了常规的径向基函数（Radical Basis Function,RBF）神经网络板形识别模型,并以现场可编程门阵列（Field Programmable Gate Array,FPGA）为载体对RBF板形识别模型的实现技术做了进一步的研究。首先,对常规RBF神经网络板形识别模型进行了深入研究,针对其人为提取特征的局限性,引入了主成分分析（Principal Component Analysis,PCA）的方法进行改进,构建了基于PCA特征提取方法的RBF神经网络板形识别模型。分别以模拟板形数据、某900HC可逆冷轧机实测板形数据来验证方法的可行性,仿真结果表明了该方法的有效性。其次,借鉴多模型控制缩小建模范围来提高精度的思想,建立了多RBF神经网络板形识别模型。该模型中各子网络以遗传算法（Genetic Algorithms,GA）分别优化,从而细化模型输入对于每个板形特征参数的影响。仿真结果表明模型对每个特征参数识别精度都有所提高,达到了整体上提高板形识别精度的目的。最后,本文在理论研究的基础上进一步联系实际,把在MATLAB（Matrix Laboratory）中建立的RBF板形识别模型向ISE（Integrated Software Environment）做了映射实现研究。仿真结果表明精度和实时性可以满足实际工程需要,证明FPGA是一种可行、可靠的模型实现技术,为设计应用到实际生产奠定了基础。
毕志敏[6]（2017）在《基于改进神经网络的板形识别方法》文中进行了进一步梳理随着经济迅速发展和科学技术的不断进步,社会的各行业对板带钢的需求也日益增长,因此,对板带钢的质量要求也越来越高。板形作为检测板带钢质量的重要指标,如何科学地解决板形的问题也早已成为国内外专家研究的重要课题。本文以人工智能理论中神经网络作为研究基础,选择冷轧板带钢的板形缺陷识别作为研究课题。本文通过对冷轧带钢板形缺陷模式的分析,提出了一种基于Elman神经网络的板形识别方法。首先,本文详细分析了Elman神经网络的优缺点,对于该神经网络训练速度慢、存在早熟现象的缺陷,提出利用遗传算法对网络进行优化改进。本文进而分析了遗传算法的性能特点,发现遗传算法求解多峰非线性问题时,容易陷入局部极值和出现早熟收敛现象。为此,本文将人工免疫思想、自适应机制和混沌优化思想引入算法的进化过程,对种群个体进行免疫选择、自适应交叉、混沌变异,从而增强算法的全局搜索能力,提高算法搜索精度,实现对遗传算法的改进,进而提出了混沌免疫遗传优化算法。然后,本文采用此算法对Elman神经网络的初始权值和阈值参数进行优化,建立了一种改进Elman网络的板形缺陷识别模型,并利用若干组测试样本数据对该模型方法进行仿真实验。通过比较该模型和BP、Elman以及GA-Elman网络的仿真识别效果,证明了用混沌免疫遗传算法优化的Elman网络板形缺陷识别方法,解决了网络收敛速度慢、易早熟的问题,相比单纯采用遗传算法优化的网络模型具有更高的识别精度,识别速度更快,因此,该方法也对板形进行实时控制具有重大意义。
高武杨[7]（2016）在《改进云推理网络的板形控制系统优化设计及DSP仿真实现》文中认为钢铁产品广泛应用于建筑、电器、轮船、航天等行业,板带材是重要的钢铁产品之一。随着我国经济的繁荣发展,许多行业对板带材质量的要求变得愈加严格,高质量的带钢拥有很大的市场。板形作为板带材生产的关键质量指标,使得板形控制技术成为目前亟待解决的重要技术。近年来,人工智能理论的成熟给板形识别、控制开辟了新的途径,同时被逐渐应用于工业轧制工程。论文以改进云推理网络的板形控制为研究课题,设计了基于云遗传算法（CGA）优化的改进云推理网络板形控制系统,最后完成其DSP仿真实现。首先,在传统云推理神经网络的基础上,引入校正网络,设计了改进云推理神经网络。以某900HC可逆冷轧机板形识别为应用背景,设计了改进云推理网络板形识别模型,通过与传统云推理神经网络板形识别模型比较,改进后的识别模型具有更高的识别精度。在遗传算法（GA）的基础上,引入CGA,通过仿真对比,验证了基于CGA优化的板形识别模型具有更好的识别效果,同时完成了板形识别模型的DSP仿真实现。其次,设计了基于CGA优化的改进云推理网络板形预测模型,以某900HC可逆冷轧机为研究对象,对轧制流程中一、三、五道次板形预测,仿真结果表明,该预测模型可以很好地预测板形输出,验证了该模型的有效性。最后,在改进云推理网络板形识别、预测模型的基础上,设计控制器,建立了完整的改进云推理网络板形控制系统,采用CGA与GA分别对该系统参数进行优化,仿真结果表明,基于CGA优化的板形控制系统克服了GA容易陷入局部极值的缺点,具有更好的控制效果,出口板形更加平整,是一种有效的板形控制方案。为了将该系统更好地与实际工程联系起来,进行了该系统的DSP仿真实现,结果表明该模型能够在DSP中运行,同时控制结果与仿真实验结果一致。
冯禹铭[8]（2017）在《冷轧过程板形控制系统的研究》文中研究表明板形是冷轧带钢的一个重要的质量指标,它直接影响带钢产品的成材率和后续深加工的顺利进行。板形控制技术是现代高精度板形轧机的关键技术,但由于轧制过程的复杂性,在实际的冷轧生产中,板形问题依然是生产中最常见、最难解决的关键技术问题,尚未达到稳定成熟的地步。本文以人工智能理论为基础,从模式识别、板形预测和控制方法三个方面对冷轧过程板形控制系统进行理论及仿真研究,并取得了一定的成果。针对传统板形模式识别方法存在的不足,本文采用Elman神经网络来解决板形模式识别的问题。由于Elman神经网络存在收敛速度慢、对初始权值依赖较大以及容易陷入局部最优等问题,本文提出了采用差分进化（DE）算法来优化Elman神经网络初始权值和阈值的方法,并对差分进化算法进行了改进,使得变异因子能够在优化过程中自适应变化,增强了该算法搜索到全局最优解的能力。经过差分进化算法优化后,再使用动量BP算法进行局部搜索,训练出最优的Elman神经网络。最终,本文建立了以勒让德正交多项式为基模式,基于欧式距离的DE-Elman网络板形模式识别模型。该模型采用3个输入参数和3个输出参数,网络内部各层节点的物理意义明确,计算速度快,识别精度高,能够满足冷轧带钢高精度板形控制的要求。板形控制系统具有非线性、时变性、干扰严重等特点。通过分析传统机理建模的不足之处,本文建立了 DE-Elman网络板形预测模型。通过分析板形的影响因素和依据现场生产经验,该模型采用10个轧制参数和3个板形调节参数共同作为模型的输入参数,3个板形特征参数作为模型输出参数。对本钢第三冷轧厂实际生产数据进行数据筛选和预处理之后,本文选取了具有代表性的训练样本对网络进行训练,仿真结果表明,基于DE-Elman网络的板形预测模型预测精度较高,相对于传统BP网络,其预测得到的误差更小,验证了该预测模型的实用性。最后,在构建了 DE-Elman网络板形预测模型的基础上,根据效应函数理论,本文给出了效应矩阵的计算方法。根据仿真研究结果和生产经验,确定了3个板形关键影响因素,建立了效应矩阵表。本文还提出了采用三维质心插值算法来在线计算实际工况点对应的效应矩阵,该算法实现简单,计算速度快,能够满足板形在线控制的要求。仿真结果表明,基于关键影响因素效应矩阵表的板形闭环控制方法能够充分发挥各个板形调控手段的调节能力,控制精度较高,控制过程平稳,收敛速度较快,为板形控制系统提供了一种新的控制方案,大大提升了轧机在线板形控制的能力,对提高冷轧带钢产品质量具有重要意义。
王亚圣[9]（2016）在《冷轧卷板板形在线监测与缺陷识别评价系统设计》文中指出近年来,随着钢铁行业飞速发展,我国钢铁产量逐年增加。但是在精密板材轧制和控制方面,缺乏先进的加工与检测技术,导致我国在成品钢材领域缺乏国际竞争力。为了促进冷轧产业向信息化高端领域转型,提高卷板的生产效率和质量,本论文把实现冷轧工艺的自动化、智能化控制和高精度板形检测作为目标,研究设计了冷轧板形数据实时显示和识别评价软件系统,对用户提供板材质量可视化显示、智能评价和缺陷识别等多种服务。主要研究内容包括:首先,对冷轧卷板检测存在的问题进行深入探讨,根据冷轧生产实际,进行需求分析和系统业务划分,并明确所需的软硬件相关技术。其次,依据板形检测数据处理要求,选取了UDP与硬件采集电路进行通信,通过事务存储数据,并对系统并发编程进行详细说明,使用线程池对其集中管理。再次,对轧制板形检测原理进行了深入分析,根据板形与检测仪间的受力数学模型,实现了对板形的标准化质量表示和评价。并对板形多项式拟合分析和BP神经网络缺陷分类原理进行了研究。最后,设计完善了板形采集评价中央管理平台,完成了包括数据预处理和可视化显示、多维度数据分析、通信协议集开发、模式识别、软件界面美化和系统运维功能。并在板形综合检测平台上进行了实验测试。本论文设计实现的板形检测评价系统化解决方案,经过实验验证具有准确地监测和一定的专业评价分析能力。该研究工作一方面避免了用户使用繁琐的数据处理获取板形信息的不确定性,另一方面有效提高冷轧工艺信息的反馈率,保证闭环控制的时效性,具有广泛的实用前景和重要的参考价值。
罗新斌[10]（2016）在《机器视觉带材表面缺陷检测关键技术研究》文中研究说明金属带材是工业基础性原材料,其表面质量作为产品重要性能参数越来越受到企业关注。表面检测数据不仅可以用于分析工艺问题,还可为成品管理提供重要依据。随着市场需求量快速上升,基于机器视觉的表面检测技术已经成为研究热点。目前该技术市场不仅被国外垄断,且技术仍未成熟。本文对目前金属带材表面检测中存在的技术问题展开研究。通过对其中关键技术分析总结,给出了解决方案。在完成了样机研制后进行了工程应用验证,最终成功得到了应用推广。期间形成创新性成果包括:1.针对数据采集过程中干扰因素造成图像非均匀性问题,提出统计背景估计的高斯马尔科夫模型校正方法,解决了图像非均匀性和图像序列灰阶不一致性问题;对校正后的图像数据提出基于3σ准则的自适应背景纹理的缺陷提取方法,解决了高数据率下缺陷检测的实时性问题。两种方法的融合实现使系统检出率和稳定性得到了保证。2.针对变背景纹理与非显着性缺陷图像分割问题,提出组合分割算法。该方法基于3σ准则自适应双阈值、残差卡方分割、自适应熵检测,以误分概率最小准则实现自动组合分割,并采用固定阈值异常判断。结合自动多线程技术实现,提高了分割准确性。3.针对多形态非显着性缺陷在大数据率下识别的技术难点,提出最近邻与词袋模型两级识别方法。方法通过缺陷特征与最近邻法过滤缺陷数据;再通过混沌特征描述缺陷形态的非确定性,再构造中层特征描述其隐含的工艺特征信息进行二级识别。4.为获取稳定且高质量的图像,对其中关键部件进行了自主研制,形成了多项专利技术:一体化多路线阵相机光学采集装置、线光源调整装置、自锁定线阵相机调整装置、适用于线扫描应用的一体化线性光源。5.针对有色加工行业表面检测需求,研制了具有完全自主知识产权的带材表面检测系统,经持续优化和完善后得到企业用户的认可。打破了国外技术垄断的局面。
二、基于人工神经网络的板形缺陷识别（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、基于人工神经网络的板形缺陷识别（论文提纲范文）
（1）基于卷积神经网络的板形缺陷识别（论文提纲范文）
| 1 引言 |
| 2 相关工作 |
| 3 准备工作 |
| 3.1 卷积神经网络 |
| 3.2 Alex Net模型 |
| 3.3 板形模式识别的基本模式 |
| 4 基于卷积神经网络的板形缺陷识别 |
| 4.1 双立方插值算法 |
| 4.2 板形缺陷识别模型（OP-Alex Net）网络结构设计 |
| 5 实验与结果分析 |
| 5.1 实验环境以及数据集 |
| 5.2 实验过程 |
| 5.2.1 模型效果验证 |
| 5.2.2 激活函数的改进对模型效果的影响 |
| 5.3 实验结果分析 |
| 6 结语 |
（3）混合优化RBF-BP网络的板形缺陷识别（论文提纲范文）
| 1 引言 |
| 2 RBF-BP组合神经网络 |
| 2 SOM神经网络结构与优化过程 |
| 2.1 SOM神经网络 |
| 2.2 SOM网络优化过程 |
| 3 RBF-BP网络的板形缺陷识别设计 |
| 3.1 RBF-BP网络的板形缺陷识别模型结构设计 |
| 3.2 RBF-BP网络的优化设计 |
| 4 仿真实验与结果对比分析 |
| 5 结论 |
（4）板形缺陷识别模型优化设计及仿真实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 板形缺陷识别研究现状 |
| 1.2.1 传统方法在板形缺陷识别中的研究现状 |
| 1.2.2 智能方法在板形缺陷识别中的研究现状 |
| 1.3 非线性系统建模方法的研究现状 |
| 1.4 课题研究内容及本文结构 |
| 第2章 聚类与遗传混合算法的RBF-BP网络优化设计 |
| 2.1 RBF神经网络及其学习算法 |
| 2.2 BP神经网络及其学习算法 |
| 2.3 SOM神经网络及其学习算法 |
| 2.4 聚类与遗传混合优化RBF-BP网络 |
| 2.4.1 RBF-BP网络设计 |
| 2.4.2 RBF-BP网络模型的优化设计 |
| 2.5 本章小结 |
| 第3章 改进SNPOM算法的RBF-ARX模型优化设计 |
| 3.1 非线性系统辨识 |
| 3.2 RBF-ARX模型结构 |
| 3.3 改进算法的CGA-SNPOM优化RBF-ARX模型 |
| 3.3.1 云遗传算法原理 |
| 3.3.2 RBF-ARX模型的CGA-SNPOM优化 |
| 3.4 本章小结 |
| 第4章 板形缺陷识别模型设计及仿真实现 |
| 4.1 板形的基本概念 |
| 4.2 板形缺陷识别原理 |
| 4.3 板形缺陷的基本模式 |
| 4.4 板形缺陷识别步骤 |
| 4.5 聚类与遗传混合优化RBF-BP网络板形识别模型的建立 |
| 4.5.1 RBF-BP板形识别模型的建立 |
| 4.5.2 仿真实验及结果对比分析 |
| 4.6 CGA-SNPOM优化RBF-ARX板形识别模型的建立 |
| 4.6.1 RBF-ARX板形识别模型的建立 |
| 4.6.2 仿真实验及结果对比分析 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（5）基于RBF的板形识别模型设计与FPGA实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 相关研究发展及现状 |
| 1.2.1 板形识别研究现状 |
| 1.2.2 神经网络硬件实现研究现状 |
| 1.3 本文结构和主要研究内容 |
| 第2章 基于欧氏距离的RBF板形识别模型 |
| 2.1 RBF神经网络 |
| 2.1.1 RBF神经网络结构和工作原理 |
| 2.1.2 RBF神经网络参数确定常用方法 |
| 2.2 板形缺陷的基本模式 |
| 2.3 RBF板形识别模型的建立 |
| 2.3.1 本文板形识别的研究内容 |
| 2.3.2 基于欧氏距离的特征输入提取 |
| 2.3.3 基于勒让德多项式回归的特征参数输出 |
| 2.4 本章小结 |
| 第3章 基于PCA的 RBF板形识别模型改进与仿真验证 |
| 3.1 主成分分析 |
| 3.2 PCA-RBF网络设计 |
| 3.3 基于PCA的 RBF板形识别模型改进设计 |
| 3.3.1 PCA-RBF模型结构设计 |
| 3.3.2 PCA-RBF模型优化设计 |
| 3.4 基于PCA的 RBF板形识别模型仿真验证 |
| 3.4.1 模拟数据仿真验证 |
| 3.4.2 实测数据仿真验证 |
| 3.5 本章小结 |
| 第4章 多RBF板形识别模型设计与仿真验证 |
| 4.1 多RBF网络设计 |
| 4.2 多RBF网络的板形识别模型设计 |
| 4.2.1 多RBF模型结构设计 |
| 4.2.2 多RBF模型优化设计 |
| 4.3 多RBF板形识别模型仿真验证 |
| 4.3.1 模拟数据仿真 |
| 4.3.2 实测数据仿真 |
| 4.4 本章小结 |
| 第5章 RBF板形识别模型的FPGA实现 |
| 5.1 数据格式的选择 |
| 5.2 RBF隐层神经元设计实现 |
| 5.2.1 RBF参数存储和读取模块设计 |
| 5.2.2 RBF隐层中各类运算模块设计 |
| 5.2.3 RBF隐层激活函数实现 |
| 5.3 RBF输出层设计 |
| 5.4 仿真结果对比与分析 |
| 5.4.1 MATLAB与 FPGA对比分析 |
| 5.4.2 方案对比分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
| 作者简介 |
（6）基于改进神经网络的板形识别方法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 板形模式识别综述 |
| 1.2.1 传统板形模式识别技术 |
| 1.2.2 现代板形模式识别技术 |
| 1.2.3 目前存在的问题以及未来发展方向 |
| 1.3 本文研究内容 |
| 1.4 本章小结 |
| 第二章 板形基础知识 |
| 2.1 板形概念 |
| 2.2 板形的表示方法 |
| 2.2.1 平直度表示法 |
| 2.2.2 横截面形状表示法 |
| 2.3 板形缺陷及影响因素 |
| 2.3.1 板形缺陷的本质 |
| 2.3.2 板形缺陷基本类型 |
| 2.3.3 良好板形存在条件 |
| 2.4 本章小结 |
| 第三章 Elman神经网络 |
| 3.1 人工神经网络概述 |
| 3.1.1 人工神经网络的结构和学习方式 |
| 3.1.2 神经网络的基本功能 |
| 3.2 Elman神经网络 |
| 3.2.1 Elman神经网络结构 |
| 3.2.2 Elman神经网络数学描述 |
| 3.2.3 Elman神经网络的学习算法 |
| 3.3 Elman神经网络性能分析 |
| 3.4 本章小结 |
| 第四章 遗传算法理论 |
| 4.1 遗传算法简介 |
| 4.2 遗传算法核心内容 |
| 4.3 遗传算法流程 |
| 4.4 遗传算法的优缺点 |
| 4.4.1 遗传算法的优点 |
| 4.4.2 遗传算法的缺陷 |
| 4.5 本章小结 |
| 第五章 混沌免疫遗传优化算法 |
| 5.1 混沌映射 |
| 5.2 免疫算法 |
| 5.3 混沌免疫遗传算法基本原理 |
| 5.3.1 算子设计 |
| 5.3.2 算法主要步骤 |
| 5.3.3 算法实验仿真 |
| 5.4 本章小结 |
| 第六章 基于CIGA-Elman网络板形缺陷识别 |
| 6.1 Elman神经网络板形缺陷模型的建立 |
| 6.1.1 板形的基本模式及归一化处理 |
| 6.1.2 Elman神经网络板形缺陷模型的建立 |
| 6.1.3 实验样本 |
| 6.2 CIGA-Elman网络 |
| 6.3 本章小结 |
| 第七章 板形缺陷识别实例仿真 |
| 7.1 Elman网络的板形缺陷识别系统 |
| 7.1.1 Elman网络对单一板形缺陷识别 |
| 7.1.2 Elman网络对复合板形缺陷识别 |
| 7.2 其它板形模式识别系统 |
| 7.2.1 BP网络板形缺陷识别 |
| 7.2.2 GA-Elman网络板形缺陷识别 |
| 7.3 CIGA- Elman网络板形缺陷识别系统 |
| 7.4 结果分析 |
| 7.5 基于实测数据的CIGA-Elman网络板形缺陷识别系统 |
| 7.6 本章小结 |
| 第八章 总结 |
| 参考文献 |
| 致谢 |
| 附录 |
（7）改进云推理网络的板形控制系统优化设计及DSP仿真实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 板形控制研究现状 |
| 1.2.1 板形缺陷模式识别现状 |
| 1.2.2 板形控制方法研究现状 |
| 1.3 课题研究内容及论文构架 |
| 第2章 云推理网络优化设计及校正改进 |
| 2.1 云理论 |
| 2.1.1 云滴和云 |
| 2.1.2 云的数字特征 |
| 2.2 云推理神经网络校正改进 |
| 2.2.1 云推理网络结构设计 |
| 2.2.2 改进的云推理网络结构设计 |
| 2.3 改进云推理神经网络的GA优化 |
| 2.4 改进云推理神经网络的CGA优化 |
| 2.5 本章小结 |
| 第3章 板形模式识别设计及DSP仿真实现 |
| 3.1 板形识别原理 |
| 3.2 板形模式识别的改进云推理网络设计 |
| 3.2.1 板形缺陷的基本模式 |
| 3.2.2 板形模式识别模型结构设计 |
| 3.3 板形模式识别模型的DSP仿真实现 |
| 3.4 板形识别效果及DSP仿真实现研究 |
| 3.4.1 传统与改进云推理网络板形识别模型的仿真对比研究 |
| 3.4.2 CGA与GA优化的板形识别模型仿真对比研究 |
| 3.4.3 改进云推理网络板形识别模型的DSP仿真实现研究 |
| 3.5 本章小结 |
| 第4章 板形控制系统设计及DSP仿真实现 |
| 4.1 板形控制系统结构设计 |
| 4.1.1 改进云推理网络板形预测模型结构设计 |
| 4.1.2 改进云推理网络板形控制器设计 |
| 4.1.3 改进云推理网络板形控制系统的建立及DSP仿真实现 |
| 4.2 仿真及DSP实验对比研究 |
| 4.2.1 改进云推理网络板形预测模型仿真研究 |
| 4.2.2 改进云推理网络板形控制系统仿真对比研究 |
| 4.2.3 改进云推理网络板形控制系统的DSP仿真实现研究 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（8）冷轧过程板形控制系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景与实际意义 |
| 1.2 板形自动控制的发展 |
| 1.2.1 国内外研究现状 |
| 1.2.2 现阶段主要问题 |
| 1.2.3 未来发展方向 |
| 1.3 神经网络在板形控制领域的应用 |
| 1.4 本文的主要工作 |
| 第2章 板形自动控制基本理论 |
| 2.1 板形的概念 |
| 2.2 板形的表示方法 |
| 2.2.1 相对长度差表示法 |
| 2.2.2 波形表示法 |
| 2.2.3 张应力差表示法 |
| 2.2.4 断面形状的多项式表示法 |
| 2.3 板形良好的条件 |
| 2.4 板形缺陷的分类 |
| 2.5 影响板形的因素 |
| 2.6 板形的调控手段 |
| 2.7 板形闭环控制策略分类与对比 |
| 2.8 本钢第三冷轧厂板形控制系统概述 |
| 2.9 本章小结 |
| 第3章 板形模式识别方法的研究 |
| 3.1 板形模式识别方法 |
| 3.1.1 传统的板形模式识别方法 |
| 3.1.2 基于人工神经网络的板形模式识别方法 |
| 3.2 基于差分进化算法优化的Elman神经网络 |
| 3.2.1 Elman神经网络 |
| 3.2.2 差分进化算法 |
| 3.2.3 DE算法优化Elman神经网络的实现 |
| 3.3 DE-Elman板形模式识别模型的建立 |
| 3.3.1 板形标准模式曲线的建立 |
| 3.3.2 网络的输入与输出 |
| 3.3.3 训练样本的产生 |
| 3.3.4 网络在线识别过程 |
| 3.4 板形模式识别效果分析 |
| 3.4.1 离线训练过程 |
| 3.4.2 在线识别效果 |
| 3.5 本章小结 |
| 第4章 板形预测模型的建立 |
| 4.1 板形预测模型的建立方法 |
| 4.1.1 传统建模方法的局限性 |
| 4.1.2 基于神经网络建模的优势 |
| 4.2 基于DE-Elman网络的板形预测模型 |
| 4.2.1 模型的输入与输出 |
| 4.2.2 数据的预处理 |
| 4.2.3 建立板形预测模型 |
| 4.3 仿真实验 |
| 4.4 本章小结 |
| 第5章 板形闭环控制方法的研究 |
| 5.1 效应函数 |
| 5.2 动态效应矩阵表的建立 |
| 5.2.1 静态效应矩阵 |
| 5.2.2 动态效应矩阵 |
| 5.2.3 基于关键影响因素的效应矩阵表 |
| 5.3 基于效应矩阵表的板形控制方法 |
| 5.3.1 基于质心的三维插值方法 |
| 5.3.2 效应矩阵效应系数的计算 |
| 5.3.3 板形调控手段调节量的计算 |
| 5.3.4 基于效应矩阵表的板形控制流程 |
| 5.4 仿真实验 |
| 5.4.1 板形闭环控制系统的构建 |
| 5.4.2 轧机和轧件的基本参数 |
| 5.4.3 仿真结果及分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
（9）冷轧卷板板形在线监测与缺陷识别评价系统设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 本课题研究意义 |
| 1.2 板形检测评价系统研究现状 |
| 1.2.1 钢板板形及表示方法 |
| 1.2.2 钢板常见缺陷 |
| 1.2.3 钢板检测方法研究进展 |
| 1.3 本文的主要内容和结构安排 |
| 第2章 板形检测评价系统需求分析及总体设计 |
| 2.1 引言 |
| 2.2 板形检测系统需求分析 |
| 2.3 系统业务模块说明 |
| 2.4 系统软硬件技术选取 |
| 2.5 本章小结 |
| 第3章 板形数据通信和存储方案 |
| 3.1 引言 |
| 3.2 数据库和文件系统 |
| 3.2.1 数据库选取和设计 |
| 3.2.2 数据库操作语言及事务管理 |
| 3.3 单文档框架介绍和使用 |
| 3.3.1 单文档框架 |
| 3.3.2 连接SQL SERVER 2005数据库 |
| 3.4 网络通讯和并发编程 |
| 3.4.1 通信协议简介 |
| 3.4.2 套接字技术 |
| 3.4.3 并发编程 |
| 3.5 本章小结 |
| 第4章 板形预处理和缺陷识别 |
| 4.1 引言 |
| 4.2 板形检测原理和相关数据处理 |
| 4.2.1 板形检测原理 |
| 4.2.2 板形数据整合预处理 |
| 4.2.3 板形标准化评价 |
| 4.3 板形缺陷识别 |
| 4.3.1 最小二乘法与多项式拟合 |
| 4.3.2 多项式拟合误差 |
| 4.3.3 人工神经网络 |
| 4.4 本章小结 |
| 第5章 板形采集及缺陷识别评价程序设计 |
| 5.1 引言 |
| 5.2 系统总体功能介绍 |
| 5.3 权限管理模块设计与实现 |
| 5.3.1 用户登陆和管理 |
| 5.3.2 数据加密实现 |
| 5.4 板形信号采集处理设计与实现 |
| 5.4.1 与硬件采集系统交互指令 |
| 5.4.2 板形信号预处理 |
| 5.4.3 数据库设计实现 |
| 5.4.4 系统参数设定界面 |
| 5.4.5 板形模式识别和智能评价 |
| 5.5 系统界面设计与实现 |
| 5.5.1 系统主界面 |
| 5.5.2 历史查询界面 |
| 5.5.3 系统运维和故障处理 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
| 致谢 |
（10）机器视觉带材表面缺陷检测关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 表面检测技术发展历程 |
| 1.3 表面检测技术现状及趋势 |
| 1.4 本文研究方案 |
| 1.5 主要研究内容、技术成果及安排 |
| 1.5.1 本文主要研究内容 |
| 1.5.2 论文主要研究成果 |
| 1.5.3 论文安排 |
| 1.6 本章小结 |
| 第二章 表面检测及关键技术 |
| 2.1 引言 |
| 2.2 检测对象分析 |
| 2.2.1 带材表面检测需求特点 |
| 2.2.2 检测目标缺陷分析 |
| 2.3 表面检测技术 |
| 2.3.1 带材表面图像采集 |
| 2.3.2 表面检测过程分析 |
| 2.4 关键技术分析 |
| 2.4.1 缺陷探测方法干扰因素与分析 |
| 2.4.2 变背景低对比度缺陷分割技术 |
| 2.4.3 多形态非显着性缺陷识别技术 |
| 2.5 本章小结 |
| 第三章 高斯-马尔科夫非均匀性校正 |
| 3.1 引言 |
| 3.2 高斯-马尔科夫模型非均匀性校正 |
| 3.2.1 非均匀图像建模 |
| 3.2.2 非均匀校正算法 |
| 3.2.3 非均匀性校正后模型 |
| 3.3 卡尔曼滤波非均匀校正方法 |
| 3.3.1 卡尔曼滤波介绍 |
| 3.3.2 卡尔曼滤波算法实现 |
| 3.3.3 卡尔曼滤波非均匀校正算法 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据准备 |
| 3.4.2 非均匀性校正方法的参数分析 |
| 3.4.3 非均匀性校正性能分析 |
| 3.4.4 与卡尔曼滤波方法的比较 |
| 3.5 本章小结 |
| 第四章 自适应缺陷探测方法 |
| 4.1 引言 |
| 4.2 自适应缺陷探测方法 |
| 4.2.1 自适应双阈值缺陷探测 |
| 4.2.2 缺陷非联通区域合并 |
| 4.2.3 NUC自适应缺陷探测 |
| 4.3 实验结果和分析 |
| 4.4 本章小结 |
| 第五章 缺陷图像组合分割与分类 |
| 5.1 引言 |
| 5.2 在线组合分割算法 |
| 5.2.1 自适应双阈值分割 |
| 5.2.2 测量残差卡方分割 |
| 5.2.3 自适应熵分割 |
| 5.2.4 并行组合分割 |
| 5.2.5 形态学处理 |
| 5.3 缺陷特征计算 |
| 5.3.1 几何特征 |
| 5.3.2 灰度特征 |
| 5.3.3 纹理特征 |
| 5.4 缺陷一级分类 |
| 5.5 实验结果和分析 |
| 5.5.1 缺陷分割结果与分析 |
| 5.5.2 特征提取与分析 |
| 5.5.3 一级分类结果与分析 |
| 5.6 本章小结 |
| 第六章 基于混沌特征的表面缺陷识别 |
| 6.1 引言 |
| 6.2 混沌特征与词袋模型介绍 |
| 6.2.1 混沌分析 |
| 6.2.2 混沌特征 |
| 6.2.3 混沌特征向量 |
| 6.2.4 词袋模型 |
| 6.3 基于混沌特征的表面缺陷识别算法 |
| 6.3.2 混沌特征计算 |
| 6.3.3 特征向量聚类 |
| 6.3.4 低维统计描述 |
| 6.3.5 缺陷图片识别 |
| 6.4 实验数据结果与分析 |
| 6.4.1 实验数据说明 |
| 6.4.2 实验结果数据与分析 |
| 6.5 本章小结 |
| 第七章 样机设计与工程验证 |
| 7.1 引言 |
| 7.2 表面检测系统总体设计 |
| 7.2.1 系统功能需求 |
| 7.2.2 检测系统总成 |
| 7.3 检测系统样机试制 |
| 7.3.2 检测装置部件设计 |
| 7.3.3 系统软件总体设计 |
| 7.4 工程应用验证 |
| 7.4.1 铝加工行业工程验证 |
| 7.4.2 铜加工行业工程验证 |
| 7.5 系统技术性能与功能 |
| 7.5.1 技术性能指标定义 |
| 7.5.2 系统技术性能指标 |
| 7.5.3 同类系统性能对比 |
| 7.6 本章小结 |
| 第八章 总结与展望 |
| 8.1 工作总结 |
| 8.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间已发表或录用的论文 |
| 攻读博士学位期间申请的国家发明专利 |
| 攻读博士学位期间主持的科研项目 |
| 攻读博士学位期间获得的成果及奖项 |
| 致谢 |
四、基于人工神经网络的板形缺陷识别（论文参考文献）
- [1]基于卷积神经网络的板形缺陷识别[J]. 胡鹰,孙绍宁,乔磊明. 计算机与数字工程, 2021
- [2]基于改进神经网络的板形识别模型设计[D]. 魏楷伦. 燕山大学, 2021
- [3]混合优化RBF-BP网络的板形缺陷识别[J]. 张秀玲,李家欢,李金祥,魏楷伦,康学楠. 模糊系统与数学, 2020(01)
- [4]板形缺陷识别模型优化设计及仿真实现[D]. 李家欢. 燕山大学, 2019(03)
- [5]基于RBF的板形识别模型设计与FPGA实现[D]. 代景欢. 燕山大学, 2019
- [6]基于改进神经网络的板形识别方法[D]. 毕志敏. 济南大学, 2017(03)
- [7]改进云推理网络的板形控制系统优化设计及DSP仿真实现[D]. 高武杨. 燕山大学, 2016(12)
- [8]冷轧过程板形控制系统的研究[D]. 冯禹铭. 东北大学, 2017(06)
- [9]冷轧卷板板形在线监测与缺陷识别评价系统设计[D]. 王亚圣. 燕山大学, 2016(02)
- [10]机器视觉带材表面缺陷检测关键技术研究[D]. 罗新斌. 上海交通大学, 2016(01)