| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15页 |
| 1.2 国内外发展现状 | 第15-18页 |
| 1.2.1 国内发展现状 | 第15-16页 |
| 1.2.2 国际发展现状 | 第16-18页 |
| 1.2.3 智能光源设计中存在的主要技术难点 | 第18页 |
| 1.3 课题的主要研究内容与研究目标 | 第18-19页 |
| 1.4 课题来源与论文结构介绍 | 第19-21页 |
| 第二章 面向机器视觉应用的LED光源特性研究分析与研究 | 第21-29页 |
| 2.1 光度学简介 | 第21-23页 |
| 2.1.1 光通量(luminousflux) | 第21-22页 |
| 2.1.2 光强(intensity) | 第22页 |
| 2.1.3 照度(illuminance) | 第22页 |
| 2.1.4 LED光源光学特性 | 第22-23页 |
| 2.2 光源对机器视觉的作用 | 第23-24页 |
| 2.3 面向机器视觉应用的照明方式原理 | 第24-28页 |
| 2.3.1 明场照明和暗场照明 | 第25页 |
| 2.3.2 打光方式 | 第25-26页 |
| 2.3.3 打光经验方法的设计模式 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 三通道PWM光源的软硬件优化设计 | 第29-43页 |
| 3.1 系统设计原理 | 第29-33页 |
| 3.1.1 调光原理 | 第29页 |
| 3.1.2 控制模块设计 | 第29-30页 |
| 3.1.3 ATmega2560 | 第30-32页 |
| 3.1.4 控制电路设计 | 第32-33页 |
| 3.2 RS232串口通信 | 第33-34页 |
| 3.2.1 奇偶校验 | 第33页 |
| 3.2.2 停止位 | 第33-34页 |
| 3.2.3 波特率 | 第34页 |
| 3.3 光源硬件设计 | 第34-35页 |
| 3.3.1 光源选型 | 第34页 |
| 3.3.2 结构设计 | 第34-35页 |
| 3.4 软件设计 | 第35-38页 |
| 3.4.1 软件功能 | 第36页 |
| 3.4.2 软件性能与输入输出 | 第36-37页 |
| 3.4.3 程序工作流程 | 第37-38页 |
| 3.5 调光模型构建 | 第38-41页 |
| 3.5.1 混光比例常数 | 第38-39页 |
| 3.5.2 颜色混合模块 | 第39-41页 |
| 3.5.3 局限性分析 | 第41页 |
| 3.6 本章小结 | 第41-43页 |
| 第四章 三通道PWM实验测试与分析 | 第43-49页 |
| 4.1 照度与单通道占空比关系测试 | 第43-44页 |
| 4.2 照度与双通道占空比关系测试 | 第44-45页 |
| 4.3 照度与三通道占空比关系测试 | 第45-47页 |
| 4.4 结果分析与实际应用 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 基于TensorFlow神经网络算法的光源控制系统优化设计与实验分析 | 第49-72页 |
| 5.1 神经网络基础知识 | 第49-57页 |
| 5.1.1 线性模型 | 第49页 |
| 5.1.2 神经网络(Neuralnetwork) | 第49-50页 |
| 5.1.3 二次代价函数和激活函数 | 第50-51页 |
| 5.1.4 交叉熵(Cross-entropy) | 第51-52页 |
| 5.1.5 过拟合、欠拟合 | 第52-53页 |
| 5.1.6 优化算法 | 第53-57页 |
| 5.2 TensorFlow介绍及实验平台搭建 | 第57-59页 |
| 5.2.1 TensorFlow介绍 | 第57-58页 |
| 5.2.2 实验平台搭建 | 第58-59页 |
| 5.3 TensorFlow实验设计 | 第59-61页 |
| 5.3.1 训练集、测试集和标签 | 第59-60页 |
| 5.3.2 训练模型搭建 | 第60-61页 |
| 5.4 神经网络参数优化 | 第61-63页 |
| 5.4.1 学习率 | 第61页 |
| 5.4.2 权重初始化 | 第61-62页 |
| 5.4.3 神经网络隐藏层层数选择 | 第62页 |
| 5.4.4 DroupOut | 第62-63页 |
| 5.5 实验步骤与结果分析 | 第63-70页 |
| 5.5.1 将图像转换成TFRecords文件 | 第63-64页 |
| 5.5.2 读取TFRecords文件到缓存并将标签(Label)转成One-Hot编码 | 第64-65页 |
| 5.5.3 训练神经网络 | 第65-66页 |
| 5.5.4 结果分析 | 第66-70页 |
| 5.6 本章小结 | 第70-72页 |
| 总结与展望 | 第72-74页 |
| 总结 | 第72-73页 |
| 展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 在学期间学术成果情况 | 第79-81页 |
| 致谢 | 第81-82页 |
| 附录1 C语言代码 | 第82-85页 |
| 附录2 c++代码 | 第85-89页 |
| 附录3 python代码 | 第89-93页 |
