| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-16页 |
| 1.1 研究背景与意义 | 第6-8页 |
| 1.1.1 工件识别 | 第6-7页 |
| 1.1.2 简图识别 | 第7-8页 |
| 1.2 工件识别研究现状 | 第8-10页 |
| 1.3 简图识别研究现状 | 第10-15页 |
| 1.3.1 传统的简图识别方法 | 第10-12页 |
| 1.3.2 基于深度学习的简图识别方法 | 第12-13页 |
| 1.3.3 简图识别常用数据库 | 第13-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 2 相关技术基础 | 第16-28页 |
| 2.1 低质图像滤波 | 第16-19页 |
| 2.1.1 阈值滤波 | 第16页 |
| 2.1.2 空间域与频域常用平滑滤波 | 第16-19页 |
| 2.2 形态学分析 | 第19-20页 |
| 2.2.1 腐蚀和膨胀 | 第19-20页 |
| 2.2.2 开运算和闭运算 | 第20页 |
| 2.3 物体识别 | 第20-21页 |
| 2.3.1 K-means算法 | 第20-21页 |
| 2.3.2 神经网络 | 第21页 |
| 2.4 深度学习与卷积神经网络 | 第21-22页 |
| 2.5 CNN结构 | 第22-28页 |
| 2.5.1 卷积层 (Convolutional Layer) | 第22-24页 |
| 2.5.2 池层 (Pooling Layer) | 第24页 |
| 2.5.3 全连接层 (Fully-Connected Layer) | 第24-25页 |
| 2.5.4 ReLU层 (Rectified Linear Layer) | 第25页 |
| 2.5.5 CNN特点与优势 | 第25-28页 |
| 3 工件识别系统 | 第28-37页 |
| 3.0 工件识别系统流程图 | 第28-29页 |
| 3.1 预处理 | 第29-31页 |
| 3.1.1 引导滤波(Guided Filter) | 第29-30页 |
| 3.1.2 动态阈值滤波 | 第30-31页 |
| 3.1.3 形态学开操作 | 第31页 |
| 3.2 特征区域提取 | 第31-33页 |
| 3.2.1 二值图像连通区域标记 | 第31页 |
| 3.2.2 工件的最小外接矩形及质心 | 第31-33页 |
| 3.3 工件识别与分类 | 第33-34页 |
| 3.3.1 树形分类器设计 | 第33-34页 |
| 3.4 实验结果及分析 | 第34-37页 |
| 3.4.1 实验平台的搭建 | 第34-35页 |
| 3.4.2 工件识别软件系统的设计 | 第35-37页 |
| 4 基于CNN的简图识别模型与算法 | 第37-46页 |
| 4.1 采用Fine-tuning训练模型 | 第37-39页 |
| 4.2 适应简图图像的结构设计 | 第39-42页 |
| 4.2.1 增大模型第一层过滤器 | 第39-40页 |
| 4.2.2 设计对应于灰度图像的网络首层结构 | 第40-41页 |
| 4.2.3 添加Dropout减小过拟合风险 | 第41-42页 |
| 4.3 简图识别网络结构 | 第42-43页 |
| 4.4 实验及结果分析 | 第43-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-53页 |
