| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究内容以及创新点 | 第13-14页 |
| 1.4 组织结构 | 第14-15页 |
| 第2章 目标识别基本方法及关键技术 | 第15-25页 |
| 2.1 目标识别 | 第15-19页 |
| 2.1.1 预处理 | 第15-16页 |
| 2.1.2 特征提取与选择 | 第16页 |
| 2.1.3 传统分类模型 | 第16-19页 |
| 2.2 卷积神经网络 | 第19-22页 |
| 2.2.1 卷积神经网络原理 | 第19-20页 |
| 2.2.2 经典深度学习框架 | 第20-22页 |
| 2.3 数据集 | 第22-24页 |
| 2.3.1 公共数据集 | 第22-23页 |
| 2.3.2 自建办公室数据集 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于AlexNet模型激活函数层特征提取的目标识别 | 第25-41页 |
| 3.1 AlexNet目标识别 | 第25-31页 |
| 3.1.1 模型框架 | 第25-26页 |
| 3.1.2 AlexNet模型目标识别 | 第26-27页 |
| 3.1.3 实验分析 | 第27-31页 |
| 3.2 基于AlexNet模型激活函数层特征提取的目标识别方法 | 第31-38页 |
| 3.2.1 激活函数 | 第31-32页 |
| 3.2.2 基于AlexNet模型的ReLU层特征提取目标识别 | 第32-34页 |
| 3.2.3 实验分析 | 第34-38页 |
| 3.3 办公用品实验 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 基于LeakyReLU与PReLU改进的AlexNet目标识别 | 第41-55页 |
| 4.1 激活函数 | 第41-43页 |
| 4.1.1 LeakyReLU激活函数 | 第41-42页 |
| 4.1.2 PReLU激活函数 | 第42-43页 |
| 4.2 基于激活函数改进的目标识别方法 | 第43-47页 |
| 4.2.1 基于两类不同激活函数的目标识别框架 | 第43-45页 |
| 4.2.2 PL-ActNet目标识别方法 | 第45-47页 |
| 4.3 实验分析 | 第47-53页 |
| 4.3.1 两类不同激活函数模型实验 | 第47-50页 |
| 4.3.2 PL-ActNet实验 | 第50-53页 |
| 4.4 办公用品实验 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 基于小波自适应阈值降噪的办公机器人目标识别 | 第55-71页 |
| 5.1 小波自适应阈值降噪的目标识别 | 第55-59页 |
| 5.1.1 小波函数 | 第55页 |
| 5.1.2 小波自适应阈值降噪算法 | 第55-57页 |
| 5.1.3 小波自适应阈值降噪的目标识别框架 | 第57-59页 |
| 5.2 实验分析 | 第59-66页 |
| 5.2.1 不同小波自适应阈值降噪的目标识别实验 | 第59-62页 |
| 5.2.2 基于Symlet小波的不同阈值函数降噪的目标识别实验 | 第62-64页 |
| 5.2.3 办公用品实验 | 第64-66页 |
| 5.3 智能机器人目标识别系统设计与实现 | 第66-70页 |
| 5.3.1 系统概述 | 第66页 |
| 5.3.2 系统架构 | 第66-67页 |
| 5.3.3 系统设计 | 第67-68页 |
| 5.3.4 系统展示 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 研究展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 在学期间主要科研成果 | 第79页 |
