| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 传统图像目标检测与分割技术的研究现状 | 第11-14页 |
| 1.2.1 基于超像素的图像分割研究现状 | 第13页 |
| 1.2.2 基于阈值的图像分割研究现状 | 第13-14页 |
| 1.2.3 基于图的图像分割技术研究现状 | 第14页 |
| 1.3 基于深度学习图像目标检测与分割技术的研究现状 | 第14-15页 |
| 1.4 图像目标检测与分割方法在工业图像中研究的意义 | 第15-16页 |
| 1.5 本文研究内容 | 第16页 |
| 1.6 本文组织结构 | 第16-18页 |
| 第2章 图像目标检测与分割算法概述 | 第18-25页 |
| 2.1 图像分割的定义 | 第18页 |
| 2.2 传统图像目标分割算法概述 | 第18-21页 |
| 2.3 超像素分割算法概述 | 第21-23页 |
| 2.4 基于深度学习的图像目标检测算法概述 | 第23-24页 |
| 2.4.1 基于候选区域的图像目标检测算法 | 第23-24页 |
| 2.4.2 基于端到端的图像目标检测算法 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于目标检测的Grabcut高精度目标分割算法 | 第25-44页 |
| 3.1 卷积神经网络的基础理论 | 第25-32页 |
| 3.1.1 训练数据 | 第25-26页 |
| 3.1.2 假设函数 | 第26-28页 |
| 3.1.3 损失函数 | 第28-30页 |
| 3.1.4 优化 | 第30-32页 |
| 3.2 传统Grabcut图像目标分割算法原理及步骤 | 第32-34页 |
| 3.3 结合目标检测改进Grabcut分割算法 | 第34-40页 |
| 3.3.1 采用目标检测自动提取目标框 | 第35-39页 |
| 3.3.2 超像素分割优化Grabcut算法 | 第39-40页 |
| 3.4 算法描述与分析 | 第40-43页 |
| 3.4.1 算法流程描述 | 第40-41页 |
| 3.4.2 算法伪代码描述 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于深度学习的工业图像目标检测与分割算法 | 第44-55页 |
| 4.1 引言 | 第44页 |
| 4.2 工业图像中目标检测与分割技术需求 | 第44-45页 |
| 4.3 基于深度学习的工业电子类图像目标检测和识别算法 | 第45-52页 |
| 4.3.1 目标检测 | 第45-49页 |
| 4.3.2 目标区域电子数字分割 | 第49-50页 |
| 4.3.3 CNN分类识别网络模型的设计 | 第50-52页 |
| 4.4 算法流程描述与分析 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 实验结果与应用分析 | 第55-70页 |
| 5.1 工业图像分割技术需求背景 | 第55页 |
| 5.2 软硬件环境配置及工具介绍 | 第55-57页 |
| 5.2.1 TensorFlow深度学习框架 | 第56页 |
| 5.2.2 OpenCV简介 | 第56-57页 |
| 5.3 定量评价标准 | 第57-58页 |
| 5.4 实验结果分析 | 第58-64页 |
| 5.4.1 改进Grabcut算法实验分析 | 第58-61页 |
| 5.4.2 电子数字分割和识别算法实验分析 | 第61-64页 |
| 5.5 目标检测与分割方法在工业流水线作业中的应用 | 第64-69页 |
| 5.5.1 数据采集 | 第64-65页 |
| 5.5.2 标注数据集 | 第65-66页 |
| 5.5.3 模型训练 | 第66页 |
| 5.5.4 工程的实现 | 第66-67页 |
| 5.5.5 功能测试 | 第67-69页 |
| 5.6 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第76-77页 |
| 致谢 | 第77页 |
