基于深度学习的手臂静脉血管检测模块研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题背景与研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 静脉穿刺辅助技术的研究现状 | 第9-12页 |
| 1.2.2 静脉检测技术的研究现状 | 第12-13页 |
| 1.3 研究内容与组织结构 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 组织结构 | 第14-15页 |
| 2 目标检测相关理论 | 第15-34页 |
| 2.1 引言 | 第15页 |
| 2.2 传统目标检测方法 | 第15-24页 |
| 2.2.1 人工特征提取 | 第15-20页 |
| 2.2.2 k近邻方法 | 第20-21页 |
| 2.2.3 支持向量机 | 第21-22页 |
| 2.2.4 提升方法 | 第22-24页 |
| 2.2.5 区域推荐算法 | 第24页 |
| 2.3 基于深度学习的目标检测方法 | 第24-33页 |
| 2.3.1 深度学习理论 | 第24-25页 |
| 2.3.2 CNN | 第25-27页 |
| 2.3.3 RCNN | 第27-28页 |
| 2.3.4 SPP-NET | 第28-29页 |
| 2.3.5 Fast-RCNN | 第29-30页 |
| 2.3.6 Faster-RCNN | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 3 血管区域检测模块 | 第34-46页 |
| 3.1 引言 | 第34页 |
| 3.2 任务描述与评价准则 | 第34-36页 |
| 3.3 检测模块实现过程 | 第36-43页 |
| 3.3.1 特征提取网络选取 | 第37-38页 |
| 3.3.2 网络模型初始化处理 | 第38页 |
| 3.3.3 数据增强处理 | 第38-39页 |
| 3.3.4 数据标注 | 第39-41页 |
| 3.3.5 交叉验证 | 第41页 |
| 3.3.6 模块参数设定与训练 | 第41-43页 |
| 3.4 实验结果与分析 | 第43-46页 |
| 4 穿刺点定位模块 | 第46-57页 |
| 4.1 引言 | 第46页 |
| 4.2 静脉血管图像的增强 | 第46-49页 |
| 4.2.1 中值滤波法 | 第46页 |
| 4.2.2 直方图均衡化法 | 第46-47页 |
| 4.2.3 拉普拉斯锐化法 | 第47-49页 |
| 4.3 血管结构提取 | 第49-52页 |
| 4.4 细化算法 | 第52-54页 |
| 4.5 直线拟合 | 第54-56页 |
| 4.6 实验结果与分析 | 第56-57页 |
| 5 总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57页 |
| 5.2 工作展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |
| A.作者在攻读学位期间发表的论文和取得的科研成果 | 第64页 |
| B.作者在攻读硕士学位期间参与的科研项目 | 第64页 |
