| 摘要 | 第3-4页 |
| ABSTRACT | 第4-9页 |
| 第一章绪论 | 第9-17页 |
| 1.1研究背景及意义 | 第9-10页 |
| 1.2研究现状 | 第10-15页 |
| 1.2.1基于图像的水位检测 | 第10-11页 |
| 1.2.2目标检测 | 第11-15页 |
| 1.3章节安排 | 第15-17页 |
| 第二章相关技术 | 第17-29页 |
| 2.1目标检测模型 | 第17-24页 |
| 2.1.1特征提取 | 第17-20页 |
| 2.1.2候选区域生成 | 第20-21页 |
| 2.1.3分类器 | 第21-23页 |
| 2.1.4边框回归 | 第23-24页 |
| 2.2图像分割算法 | 第24-27页 |
| 2.2.1传统图像分割算法 | 第25-26页 |
| 2.2.2基于深度学习的图像分割算法 | 第26-27页 |
| 2.3本章小结 | 第27-29页 |
| 第三章改进的FasterR-CNN模型 | 第29-39页 |
| 3.1FasterR-CNN模型 | 第29-30页 |
| 3.2改进的FasterR-CNN模型 | 第30-34页 |
| 3.2.1特征融合 | 第30-32页 |
| 3.2.2K-means初始化Anchor框 | 第32-33页 |
| 3.2.3轻量化网络 | 第33-34页 |
| 3.3实验及结果分析 | 第34-37页 |
| 3.3.1评价指标 | 第34-35页 |
| 3.3.2实验数据 | 第35页 |
| 3.3.3特征提取网络实验对比 | 第35-36页 |
| 3.3.4RPN网络实验对比 | 第36-37页 |
| 3.4本章小结 | 第37-39页 |
| 第四章改进的GrabCut算法 | 第39-53页 |
| 4.1GrabCut算法 | 第39-41页 |
| 4.1.1GrabCut算法介绍 | 第39-40页 |
| 4.1.2GrabCut算法的改进分析 | 第40-41页 |
| 4.2概率神经网络 | 第41-44页 |
| 4.2.1PNN理论基础 | 第41-43页 |
| 4.2.2PNN模型 | 第43-44页 |
| 4.3基于概率神经网络改进的PNNGrabCut模型 | 第44-46页 |
| 4.3.1构建直方图 | 第44-45页 |
| 4.3.2更新能量函数 | 第45页 |
| 4.3.3PNNGrabCut算法流程 | 第45-46页 |
| 4.3.4时间效率分析 | 第46页 |
| 4.4实验及结果分析 | 第46-52页 |
| 4.4.1确定PNN网络参数 | 第47-48页 |
| 4.4.2算法的有效性评估 | 第48-52页 |
| 4.5本章小结 | 第52-53页 |
| 第五章基于FasterR-CNN与GrabCut融合的水位检测 | 第53-65页 |
| 5.1基于FasterR-CNN与GrabCut融合的水位检测算法 | 第53页 |
| 5.2基于FasterR-CNN与GrabCut融合的水位检测系统 | 第53-56页 |
| 5.2.1水位监测系统设计 | 第53-54页 |
| 5.2.2软件环境 | 第54-55页 |
| 5.2.3基于Django网络系统 | 第55页 |
| 5.2.4后台数据库 | 第55-56页 |
| 5.3实验结果及分析 | 第56-63页 |
| 5.3.1水位检测算法实验结果及分析 | 第56-59页 |
| 5.3.2水位检测系统实验结果展示 | 第59-63页 |
| 5.4本章小结 | 第63-65页 |
| 第六章总结与展望 | 第65-67页 |
| 6.1总结 | 第65-66页 |
| 6.2展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间发表的学术论文与科研成果 | 第73-75页 |
| 作者简介 | 第75-77页 |
| 致谢 | 第77-78页 |
