| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 引言 | 第10-13页 |
| 1.1 应用背景及实现意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文章节结构及主要研究内容 | 第12-13页 |
| 第二章 基于BP神经网络的特殊物体X光图像识别算法 | 第13-25页 |
| 2.1 图像预处理 | 第13-15页 |
| 2.1.1 图像彩色分割 | 第13-14页 |
| 2.1.2 图像灰度化 | 第14-15页 |
| 2.2 特征提取 | 第15-17页 |
| 2.2.1 梯度方向直方图特征 | 第15-16页 |
| 2.2.2 主成份分析降维算法 | 第16页 |
| 2.2.3 HOG-PCA特征提取 | 第16-17页 |
| 2.3 基于BP神经网络的特殊物体X光图像识别算法 | 第17-20页 |
| 2.3.1 BP神经网络算法概述 | 第17-20页 |
| 2.3.2 基于标准BP神经网络算法的优化 | 第20页 |
| 2.4 基于优化的BP神经网络特殊物体X光图像识别结果及分析 | 第20-24页 |
| 2.4.1 基于优化的BP神经网络特殊物体X光图像识别结果 | 第20-22页 |
| 2.4.2 实验结果分析 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于快速卷积神经网络的目标检测算法 | 第25-42页 |
| 3.1 基于RCNN的目标检测算法 | 第25-31页 |
| 3.1.1 RCNN目标检测算法概述 | 第25-27页 |
| 3.1.2 基于RCNN目标检测算法的实现 | 第27-29页 |
| 3.1.3 实验结果分析 | 第29-31页 |
| 3.2 基于Fast RCNN的目标检测算法 | 第31-36页 |
| 3.2.1 Fast RCNN目标检测算法概述 | 第31-32页 |
| 3.2.2 基于Fast RCNN目标检测算法的实现 | 第32-34页 |
| 3.2.3 实验结果分析 | 第34-36页 |
| 3.3 基于Faster RCNN的目标检测算法 | 第36-41页 |
| 3.3.1 Faster RCNN目标检测算法概述 | 第36-37页 |
| 3.3.2 区域生成网络 | 第37-38页 |
| 3.3.3 基于Faster RCNN目标检测算法的实现 | 第38-39页 |
| 3.3.4 实验结果分析 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于Mask RCNN的目标检测算法 | 第42-54页 |
| 4.1 Mask RCNN概述 | 第42-45页 |
| 4.1.1 图像语义分割和目标检测的发展 | 第42-44页 |
| 4.1.2 Mask RCNN介绍 | 第44-45页 |
| 4.2 基于Mask RCNN的目标检测算法 | 第45-48页 |
| 4.2.1 残差网络 | 第46-47页 |
| 4.2.2 特征金字塔网络 | 第47页 |
| 4.2.3 兴趣区域对齐 | 第47-48页 |
| 4.2.4 损失函数 | 第48页 |
| 4.3 基于Mask RCNN的目标检测实现及结果分析 | 第48-53页 |
| 4.3.1 实验环境以及制作数据集 | 第48-52页 |
| 4.3.2 实验结果分析 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结和展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间发表的学术成果 | 第59-60页 |
| 附录:实验中X光机部分采集样本图像 | 第60页 |
