基于云计算平台的机器鱼目标识别并行深度学习研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 研究现状及意义 | 第12-15页 |
| 1.3 本论文的工作与安排 | 第15-17页 |
| 第二章 系统硬件和软件 | 第17-26页 |
| 2.1 全局视觉硬件部分 | 第17页 |
| 2.2 仿生机器鱼硬件 | 第17-18页 |
| 2.3 图像采集系统 | 第18-19页 |
| 2.3.1 相机选择安装 | 第19页 |
| 2.3.2 图像采集 | 第19页 |
| 2.4 云计算平台 | 第19-22页 |
| 2.4.1 硬件部分 | 第19-21页 |
| 2.4.2 软件部分 | 第21-22页 |
| 2.5 分布式文件系统 | 第22-23页 |
| 2.6 Tensorflow | 第23-24页 |
| 2.7 UbuntuServer | 第24页 |
| 2.8 本章小结 | 第24-26页 |
| 第三章 基于深度学习的图像识别算法实验 | 第26-47页 |
| 3.1 实验设计意义 | 第26-27页 |
| 3.2 深度学习发展 | 第27-28页 |
| 3.3 深度学习基础 | 第28-30页 |
| 3.3.1 深度学习特征学习 | 第28-29页 |
| 3.3.2 卷积神经网络 | 第29-30页 |
| 3.4 深度自编码定位 | 第30-31页 |
| 3.4.1 无监督自编码学习 | 第30-31页 |
| 3.4.2 空间位置编码 | 第31页 |
| 3.5 网络构建 | 第31-36页 |
| 3.6 参数调整 | 第36-37页 |
| 3.6.1 损失函数 | 第36页 |
| 3.6.2 Softmax回归 | 第36-37页 |
| 3.7 卷积网络层数和节点数优化 | 第37页 |
| 3.8 网络训练 | 第37-38页 |
| 3.8.1 数据采集 | 第37-38页 |
| 3.8.2 离线训练数据库生成 | 第38页 |
| 3.9 实验结果分析 | 第38-43页 |
| 3.9.1 位姿角度特征训练测试分析 | 第38-40页 |
| 3.9.2 特征可视化分析 | 第40-43页 |
| 3.10 本章小结 | 第43-47页 |
| 第四章 分布式并行机器鱼控制平台设计 | 第47-62页 |
| 4.1 控制平台需求分析 | 第47-48页 |
| 4.2 平台工作流程设计 | 第48-49页 |
| 4.3 网络通信数据格式 | 第49-50页 |
| 4.3.1 交互数据格式 | 第49-50页 |
| 4.3.2 数据解析与响应 | 第50页 |
| 4.4 CPG协议扩展 | 第50-53页 |
| 4.4.1 仿生机器鱼无线通信数据协议格式 | 第50-52页 |
| 4.4.2 CPG参数发送协议扩展 | 第52-53页 |
| 4.5 控制前端功能核心 | 第53-55页 |
| 4.5.1 Socket网络通信 | 第53-54页 |
| 4.5.2 机器鱼无线通信 | 第54-55页 |
| 4.5.3 参数初始化 | 第55页 |
| 4.5.4 图像采集 | 第55页 |
| 4.6 客户端功能设计 | 第55-56页 |
| 4.6.1 通信参数设置 | 第56页 |
| 4.6.2 图像参数设置 | 第56页 |
| 4.6.3 原始图像操作 | 第56页 |
| 4.6.4 前景图像操作 | 第56页 |
| 4.7 控制前端和客户端编程环境IDE介绍 | 第56-57页 |
| 4.8 分布式并行计算后端功能设计 | 第57-58页 |
| 4.8.1 图像处理 | 第57-58页 |
| 4.8.2 策略参数计算 | 第58页 |
| 4.8.3 分布式图像数据存储 | 第58页 |
| 4.9 分布式并行机器鱼控制平台测试实验结果 | 第58-59页 |
| 4.10 本章小结 | 第59-62页 |
| 第五章 总结与展望 | 第62-65页 |
| 5.1 工作总结 | 第62-63页 |
| 5.2 研究展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 附录 | 第72-79页 |
| 源程序 | 第72-77页 |
| 个人简历 | 第77-79页 |
