| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.1.1 欧元硬币识别研究意义 | 第9页 |
| 1.1.2 欧元硬币图像特点分析 | 第9-12页 |
| 1.2 硬币检测技术分析 | 第12-16页 |
| 1.2.1 检测技术方案 | 第12-13页 |
| 1.2.2 基于视觉的检测技术分析 | 第13-16页 |
| 1.3 研究内容 | 第16页 |
| 1.4 工作安排和内容 | 第16-17页 |
| 第2章 基于中心对称鲁棒二值模式的硬币国别识别 | 第17-37页 |
| 2.1 引言 | 第17页 |
| 2.2 图像预处理 | 第17-19页 |
| 2.2.1 图像噪声来源及解决办法 | 第17-18页 |
| 2.2.2 图像滤波处理 | 第18-19页 |
| 2.2.3 ROI提取 | 第19页 |
| 2.3 LBP模式计算原理及缺陷 | 第19-21页 |
| 2.4 CS_RBP特征提取 | 第21-25页 |
| 2.4.1 基于局部径向坐标变换的旋转不变二值模式及其近似计算 | 第21-23页 |
| 2.4.2 环形空间对称结构模式提取 | 第23-25页 |
| 2.4.3 抗旋转对称结构模式特征提取 | 第25页 |
| 2.5 实验数据集介绍 | 第25-27页 |
| 2.6 实验结果与分析 | 第27-35页 |
| 2.6.1 关键参数选取实验 | 第27-28页 |
| 2.6.2 抗旋转性能测试 | 第28-30页 |
| 2.6.3 计算效率比较 | 第30页 |
| 2.6.4 原始特征计算方法和近似计算方法对比 | 第30-31页 |
| 2.6.5 不同算法在三个数据集上的实验 | 第31-35页 |
| 2.7 本章小结 | 第35-37页 |
| 第3章 基于深度学习的欧元硬币年份判定 | 第37-54页 |
| 3.1 引言 | 第37-39页 |
| 3.2 年份检测的软硬件环境 | 第39-40页 |
| 3.3 基于深度学习模型的数字检测 | 第40-43页 |
| 3.3.1 RPN网络 | 第40-41页 |
| 3.3.2 ROI池化层 | 第41-42页 |
| 3.3.3 基于Faster-RCNN模型的年份数字检测 | 第42-43页 |
| 3.4 年份排序策略 | 第43-49页 |
| 3.4.1 年份排序算法 | 第47-49页 |
| 3.4.2 算法说明和流程 | 第49页 |
| 3.5 实验结果与分析 | 第49-53页 |
| 3.6 小结 | 第53-54页 |
| 第4章 欧元硬币视觉检测与识别实验系统 | 第54-61页 |
| 4.1 视觉检测原理与系统构成 | 第54-56页 |
| 4.1.1 视觉检测原理 | 第54页 |
| 4.1.2 欧元硬币视觉检测系统 | 第54-56页 |
| 4.2 成像系统 | 第56-59页 |
| 4.2.1 光源选取与设计 | 第57-58页 |
| 4.2.2 成像器材选取 | 第58-59页 |
| 4.3 计算机软件 | 第59-60页 |
| 4.3.1 图像采集 | 第59-60页 |
| 4.3.2 系统软件 | 第60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-62页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 在学期间发表的学术论文及研究成果 | 第67页 |