基于深度学习的危险器具检测与识别方法研究
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-15页 |
| 1.1 危险器具检测方法与研究背景 | 第7-8页 |
| 1.2 图像识别系统的组成 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-13页 |
| 1.3.1 图像识别技术国内外研究现状 | 第9-11页 |
| 1.3.2 图像分割技术国内外研究现状 | 第11-13页 |
| 1.4 论文的主要工作与章节结构 | 第13-15页 |
| 2 相关技术概述 | 第15-26页 |
| 2.1 深度学习基础理论 | 第15-18页 |
| 2.1.1 前馈神经网络 | 第15-16页 |
| 2.1.2 深度学习概念及常用模型 | 第16-18页 |
| 2.2 卷积神经网络 | 第18-21页 |
| 2.3 图像分割算法 | 第21-25页 |
| 2.3.1 图像值域分割 | 第21-25页 |
| 2.3.2 图像空域分割 | 第25页 |
| 2.4 Caffe框架概述 | 第25-26页 |
| 3 基于深度学习的危险器具识别系统设计 | 第26-42页 |
| 3.1 系统的整体设计方案 | 第27-28页 |
| 3.2 基于深度卷积神经网络的特征提取 | 第28-33页 |
| 3.3 第一级分类器设计 | 第33-36页 |
| 3.3.1 基于BP神经网络的分类器设计 | 第33-34页 |
| 3.3.2 BP神经网络训练方法 | 第34-35页 |
| 3.3.3 特征提取网络和BP神经网络融合 | 第35-36页 |
| 3.4 第二级分类器设计 | 第36-40页 |
| 3.4.1 目标定位模块算法设计 | 第37-38页 |
| 3.4.2 目标分类模块设计 | 第38-40页 |
| 3.4.3 判决模块设计 | 第40页 |
| 3.5 系统整体识别流程 | 第40-42页 |
| 4 实验设计与结果分析 | 第42-55页 |
| 4.1 实验概述 | 第42-44页 |
| 4.1.1 实验数据 | 第42-43页 |
| 4.1.2 实验环境 | 第43页 |
| 4.1.3 评判指标 | 第43-44页 |
| 4.2 第一级分类器实验结果 | 第44-46页 |
| 4.2.1 不同BP神经网络分类器对应的识别率 | 第44-45页 |
| 4.2.2 微调第一级分类器 | 第45-46页 |
| 4.3 第二级分类器实验结果 | 第46-48页 |
| 4.3.1 不同BP神经网络分类器对应的识别率 | 第46-47页 |
| 4.3.2 微调目标分类模块 | 第47-48页 |
| 4.4 目标定位模块实验举例与分析 | 第48-50页 |
| 4.5 实验结果对比分析 | 第50-51页 |
| 4.6 危险器具检测与识别系统的设计与开发 | 第51-55页 |
| 5 总结与展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士学位期间发表学术论文情况 | 第62-63页 |
| 致谢 | 第63-65页 |
