基于卷积神经网络的汽车仪表符号识别系统的设计与实现
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 课题的目的和意义 | 第11-12页 |
| 1.3 国内外研究进展 | 第12-15页 |
| 1.3.1 卷积神经网络的研究现状 | 第12-14页 |
| 1.3.2 汽车仪表符号识别的研究现状 | 第14-15页 |
| 1.4 课题主要研究内容 | 第15页 |
| 1.5 论文的组织结构 | 第15-16页 |
| 第二章 卷积神经网络理论 | 第16-24页 |
| 2.1 机器学习 | 第16-17页 |
| 2.2 神经网络 | 第17-21页 |
| 2.2.1 神经网络的发展和介绍 | 第17-19页 |
| 2.2.2 前向传播算法 | 第19-20页 |
| 2.2.3 反向传播算法 | 第20-21页 |
| 2.3 卷积神经网络 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 汽车仪表符号识别系统 | 第24-32页 |
| 3.1 系统需求分析 | 第24-25页 |
| 3.1.1 仪表符号识别 | 第24页 |
| 3.1.2 系统架构 | 第24-25页 |
| 3.2 系统测试流程 | 第25-26页 |
| 3.3 系统识别算法的研究和对比 | 第26-31页 |
| 3.3.1 图像处理的方法概述 | 第26-27页 |
| 3.3.2 基于机器视觉的图像识别方法 | 第27-28页 |
| 3.3.3 基于卷积神经网络的图像识别方法 | 第28-30页 |
| 3.3.4 基于卷积网络的识别算法的优势 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 识别算法实验测试 | 第32-54页 |
| 4.1 实验准备 | 第32-36页 |
| 4.1.1 实验环境配置及介绍 | 第32-33页 |
| 4.1.2 实验数据获取 | 第33-34页 |
| 4.1.3 实验效果测试 | 第34-36页 |
| 4.2 液晶屏图标识别 | 第36-48页 |
| 4.2.1 实验过程 | 第37-43页 |
| 4.2.1.1 标注训练数据集 | 第37-40页 |
| 4.2.1.2 转换成YOLO格式 | 第40-41页 |
| 4.2.1.3 生成train和test文件 | 第41页 |
| 4.2.1.4 配置cfg文件和初始权重 | 第41-43页 |
| 4.2.2 液晶屏图标识别实验结果 | 第43-45页 |
| 4.2.3 识别结果 | 第45-48页 |
| 4.3 报警灯符号的识别 | 第48-53页 |
| 4.3.1 实验过程 | 第48页 |
| 4.3.2 实验结果 | 第48-51页 |
| 4.3.3 识别结果 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 作者简介及在学期间所取得的科研成果 | 第59-60页 |
| 致谢 | 第60页 |
