基于深度神经网络的开关安装纠错系统设计与实现
| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景和意义 | 第12页 |
| 1.2 深度学习的发展 | 第12-13页 |
| 1.3 深度学习在图像识别中的研究现状 | 第13-14页 |
| 1.4 论文主要研究内容 | 第14-15页 |
| 1.5 论文组织结构 | 第15-16页 |
| 第2章 需求分析与系统架构 | 第16-24页 |
| 2.1 需求分析 | 第16-18页 |
| 2.1.1 半自动化引导模块需求分析 | 第16-17页 |
| 2.1.2 计算机视觉检测模块需求分析 | 第17-18页 |
| 2.2 系统架构 | 第18-22页 |
| 2.2.1 半自动化引导系统架构 | 第18-20页 |
| 2.2.2 视觉检测系统架构 | 第20-22页 |
| 2.2.3 总体架构 | 第22页 |
| 2.3 本章小结 | 第22-24页 |
| 第3章 关键技术 | 第24-44页 |
| 3.1 深度学习 | 第24-28页 |
| 3.1.1 深度学习的概念 | 第24-25页 |
| 3.1.2 浅层学习与深度学习 | 第25-28页 |
| 3.1.3 深度学习的优点 | 第28页 |
| 3.2 常用深度学习模型 | 第28-42页 |
| 3.2.1 深度信念网络 | 第29-34页 |
| 3.2.2 循环神经网络 | 第34-36页 |
| 3.2.3 卷积神经网络 | 第36-42页 |
| 3.3 Tensorflow | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 系统实现 | 第44-54页 |
| 4.1 硬件部分实现 | 第44-48页 |
| 4.1.1 设备选材 | 第44-45页 |
| 4.1.2 工作台 | 第45-48页 |
| 4.2 图像采集模块 | 第48-50页 |
| 4.3 图像识别模块 | 第50-53页 |
| 4.3.1 获取图片样本 | 第50-51页 |
| 4.3.2 基于深度信念网络的网络构造 | 第51页 |
| 4.3.3 基于循环神经网络的网络构造 | 第51页 |
| 4.3.4 基于卷积神经网络的网络构造 | 第51-52页 |
| 4.3.5 实验结果分析 | 第52-53页 |
| 4.4 图像匹配模块 | 第53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |
