首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于计算机视觉的鱼虾识别和形态参数测量

摘要第4-5页
Abstract第5-6页
第一章 绪论第11-19页
    1.1 课题研究背景及意义第11-12页
    1.2 研究现状第12-15页
        1.2.1 目标识别方法第12-13页
        1.2.2 水产品研究第13-15页
    1.3 研究内容及创新点第15-18页
    1.4 本章小结第18-19页
第二章 基于级联分类器的对虾形态参数智能测量第19-49页
    2.1 对虾图像数据的采集及预处理第20-22页
        2.1.1 对虾图像数据的采集第20-22页
        2.1.2 对虾图像数据的预处理第22页
    2.2 准备训练样本第22-24页
        2.2.1 正样本第23页
        2.2.2 负样本第23-24页
    2.3 目标图像的特征选择第24-32页
        2.3.1 图像特征提取第24-31页
        2.3.2 三大特征的选择依据第31-32页
    2.4 级联分类器训练原理第32-36页
    2.5 级联分类器测试第36-43页
        2.5.1 测试图片预处理第36-41页
        2.5.2 矩形标尺检测第41-42页
        2.5.3 检测结果校正第42-43页
    2.6 实验结果小结第43-47页
        2.6.1 级联测量值的数据分析第44-45页
        2.6.2 级联测量值的相对误差分析第45-47页
    2.7 本章小结第47-49页
第三章 基于卷积神经网络的对虾形态参数智能测量第49-77页
    3.1 卷积神经网络第49-56页
        3.1.1 感知器与神经元第49-50页
        3.1.2 卷积神经网络的基本构成第50-56页
        3.1.3 卷积神经网络实际应用第56页
    3.2 基于ZF网络的Faster RCNN网络结构第56-62页
        3.2.1 特征提取及ZF网络模型第57-59页
        3.2.2 区域生成网络的设计与训练第59-61页
        3.2.3 共享特征及训练第61-62页
    3.3 数据集的准备第62-65页
    3.4 训练平台及过程简介第65-67页
        3.4.1 训练平台第65页
        3.4.2 训练过程简介第65-67页
    3.5 测试图片结果及对比第67-75页
        3.5.1 卷积测量值的数据分析第68-69页
        3.5.2 卷积测量值与真实值第69-71页
        3.5.3 卷积测量值与级联测量值第71页
        3.5.4 卷积测量值与人工测量值第71-75页
    3.6 本章小结第75-77页
第四章 基于计算机视觉的中国沿海鱼类识别第77-87页
    4.1 样本数据集准备第77-78页
    4.2 基于深度学习的目标识别方法简介第78-81页
        4.2.1 基于候选区域提取的算法第78-80页
        4.2.2 基于回归方法的端到端的算法第80-81页
    4.3 基于VGG-16网络的Faster RCNN训练结果分析第81-86页
        4.3.1 VGG-16网络模型第81-83页
        4.3.2 模型测试集结果分析第83-86页
    4.4. 本章小结第86-87页
第五章 总结与展望第87-91页
    5.1 总结第87-88页
    5.2 展望第88-91页
参考文献第91-97页
攻读硕士学位期间发表论文及科研情况第97-99页
致谢第99-100页

论文共100页,点击 下载论文
上一篇:基于视频分析的水质在线监测系统
下一篇:基于中心排序损失及弱监督定位的细粒度目标检索