| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题研究背景和意义 | 第12-14页 |
| 1.1.1 工业机器人视域下的视觉问题 | 第12-13页 |
| 1.1.2 机器人视觉特征提取技术 | 第13-14页 |
| 1.2 研究现状及发展趋势 | 第14-15页 |
| 1.3 本文主要研究内容与章节安排 | 第15-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第2章 视觉特征 | 第18-28页 |
| 2.1 基本视觉特征 | 第18-22页 |
| 2.1.1 颜色特征 | 第18-19页 |
| 2.1.2 纹理特征 | 第19-20页 |
| 2.1.3 局部特征 | 第20-22页 |
| 2.2 视觉特征表达 | 第22-23页 |
| 2.3 视觉特征学习 | 第23-27页 |
| 2.3.1 深度学习的发展 | 第24-25页 |
| 2.3.2 基本的深度学习结构 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于深度学习的图像特征提取技术 | 第28-37页 |
| 3.1 神经网络 | 第28-33页 |
| 3.1.1 逻辑回归 | 第28-29页 |
| 3.1.2 人工神经网络 | 第29-33页 |
| 3.2 卷积神经网络 | 第33-36页 |
| 3.2.1 卷积层 | 第34-35页 |
| 3.2.2 池化层 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 基于局部线性嵌入的深度学习框架 | 第37-52页 |
| 4.1 局部线性嵌入算法 | 第37-41页 |
| 4.1.1 局部线性嵌入算法简介 | 第37-39页 |
| 4.1.2 局部线性嵌入算法推导 | 第39-41页 |
| 4.2 局部线性嵌入卷积核 | 第41-42页 |
| 4.3 图像分类算法 | 第42-47页 |
| 4.3.1 线性可分支持向量机 | 第43-45页 |
| 4.3.2 K最近邻 | 第45-47页 |
| 4.4 基于局部线性嵌入卷积核的深度学习框架(LLENet) | 第47-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第5章 试验设计与验证 | 第52-69页 |
| 5.1 物体分类与检测数据库 | 第52-54页 |
| 5.1.1 MNIST数据集 | 第52页 |
| 5.1.2 数据扩容与WorkPiece数据集 | 第52-54页 |
| 5.2 基于局部线性嵌入卷积核的深度学习框架分类试验 | 第54-63页 |
| 5.2.1 池化层和卷积核个数对网络的影响 | 第54-58页 |
| 5.2.2 卷积层数对网络的影响 | 第58页 |
| 5.2.3 提取分块直方图特征时分块覆盖率对网络的影响 | 第58-60页 |
| 5.2.4 LLENet框架中SVM和KNN分类器的分类准确率对比 | 第60-62页 |
| 5.2.5 LLENet与PCANet、KPCANet的分类性能对比 | 第62-63页 |
| 5.3 基于传统卷积神经网络的分类试验 | 第63-68页 |
| 5.3.1 Caffe框架下使用LeNet-5分类WorkPiece数据集 | 第63-66页 |
| 5.3.2 MNIST数据集训练的LeNet-5模型在WorkPiece-1数据集做微调 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 本文工作的总结与分析 | 第69-70页 |
| 6.2 本课题工作的展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读学位期间取得的科研成果 | 第75-76页 |
| 致谢 | 第76页 |
