通信装备故障图像诊断系统技术研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 目标检测的研究现状 | 第12-14页 |
| 1.2.2 目前存在的问题 | 第14-15页 |
| 1.2.3 发展趋势 | 第15-16页 |
| 1.3 本文研究内容和目标 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 第2章 图像处理与模式识别概述 | 第18-27页 |
| 2.1 数字图像处理概述 | 第18页 |
| 2.2 图像特征提取 | 第18-19页 |
| 2.3 图像模式识别 | 第19-26页 |
| 2.3.1 模式识别 | 第19-20页 |
| 2.3.2 图像模式识别的概念 | 第20-21页 |
| 2.3.3 图像模式识别的基本方法 | 第21-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 通信装备图像配准与分割 | 第27-40页 |
| 3.1 SIFT特征检测 | 第27-33页 |
| 3.1.1 尺度空间极值检测 | 第27-29页 |
| 3.1.2 SIFT特征点定位 | 第29-30页 |
| 3.1.3 SIFT特征点方向确定 | 第30-32页 |
| 3.1.4 SIFT特征描述子 | 第32-33页 |
| 3.2 SIFT特征点匹配算法 | 第33-36页 |
| 3.2.1 SIFT特征匹配方法 | 第33-35页 |
| 3.2.2 随机抽样一致算法 | 第35-36页 |
| 3.3 图像透视变换及配准 | 第36-38页 |
| 3.4 实验结果分析 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 工具板识别算法研究 | 第40-52页 |
| 4.1 HOG特征 | 第40-44页 |
| 4.1.1 HOG特征提取的步骤 | 第41-44页 |
| 4.1.2 HOG特征提取结果 | 第44页 |
| 4.2 支持向量机 | 第44-45页 |
| 4.3 HOG特征的NMF分解 | 第45-49页 |
| 4.3.1 非负矩阵分解算法 | 第46-48页 |
| 4.3.2 HOG-NMF特征及性能 | 第48-49页 |
| 4.4 基于HOG特征的工具板检测 | 第49-50页 |
| 4.5 实验结果与分析 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 网孔故障诊断算法研究 | 第52-63页 |
| 5.1 BP神经网络与深度学习网络 | 第52-55页 |
| 5.1.1 BP神经网络 | 第52-53页 |
| 5.1.2 卷积神经网络 | 第53-54页 |
| 5.1.3 深度置信网络 | 第54-55页 |
| 5.2 网孔状态识别 | 第55-61页 |
| 5.2.1 BP神经网络网孔状态识别 | 第56-57页 |
| 5.2.2 CNN网孔状态识别 | 第57-59页 |
| 5.2.3 DBN网孔状态识别 | 第59-61页 |
| 5.3 实验结果分析 | 第61页 |
| 5.4 故障图像诊断系统 | 第61-62页 |
| 5.5 本章小结 | 第62-63页 |
| 总结与展望 | 第63-65页 |
| 总结 | 第63-64页 |
| 展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士期间发表论文及科研成果 | 第71页 |
