基于卷积神经网络的射线图像识别系统的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 研究现状与发展趋势 | 第9-11页 |
| 1.2.1 X射线图像检测研究现状 | 第9-10页 |
| 1.2.2 深度学习的研究现状 | 第10-11页 |
| 1.3 论文的研究内容及主要章节安排 | 第11-14页 |
| 1.3.1 论文主要研究内容 | 第11页 |
| 1.3.2 论文的组织结构 | 第11-14页 |
| 第2章 卷积神经网络和目标检测 | 第14-22页 |
| 2.1 卷积神经网络 | 第14-17页 |
| 2.1.1 卷积神经网络简介 | 第14页 |
| 2.1.2 卷积神经网络的结构 | 第14-15页 |
| 2.1.3 卷积神经网络的特点 | 第15-17页 |
| 2.2 目标检测 | 第17-20页 |
| 2.2.1 目标检测研究进展 | 第17-18页 |
| 2.2.2 Caffe框架 | 第18-19页 |
| 2.2.3 反向传播算法 | 第19-20页 |
| 2.3 本章小结 | 第20-22页 |
| 第3章 X射线图像识别算法的设计与实验 | 第22-40页 |
| 3.1 X射线图像识别算法框架 | 第22页 |
| 3.2 卷积神经网络设计 | 第22-24页 |
| 3.2.1 网络模型 | 第22-24页 |
| 3.2.2 Softmax分类器 | 第24页 |
| 3.3 候选框提取算法设计 | 第24-27页 |
| 3.3.1 RPN结构 | 第25-26页 |
| 3.3.2 RPN窗口改进 | 第26-27页 |
| 3.4 基于区域候选框的目标检测算法 | 第27-28页 |
| 3.5 X射线图像识别算法实验 | 第28-37页 |
| 3.5.1 实验环境 | 第28-29页 |
| 3.5.2 X射线图像数据集 | 第29-32页 |
| 3.5.3 实验设计 | 第32页 |
| 3.5.4 X射线图像识别算法训练 | 第32-35页 |
| 3.5.5 X射线图像识别算法测试 | 第35-36页 |
| 3.5.6 实验结果 | 第36-37页 |
| 3.6 本章小结 | 第37-40页 |
| 第4章 智能物品判图上位机程序设计 | 第40-46页 |
| 4.1 系统总体设计 | 第40页 |
| 4.2 系统详细设计 | 第40-44页 |
| 4.2.1 算法服务器端设计 | 第41-42页 |
| 4.2.2 客户端设计 | 第42-43页 |
| 4.2.3 网络通信模块设计 | 第43-44页 |
| 4.2.4 智能判图模块设计 | 第44页 |
| 4.3 数据库设计 | 第44-45页 |
| 4.3.1 危险品类型数据管理 | 第44-45页 |
| 4.3.2 危险品子类数据管理 | 第45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 智能物品判图上位机程序实现 | 第46-56页 |
| 5.1 算法服务器端实现 | 第46-49页 |
| 5.1.1 环境的配置 | 第46页 |
| 5.1.2 图像识别 | 第46-47页 |
| 5.1.3 服务器端发布 | 第47-49页 |
| 5.2 客户端实现 | 第49-54页 |
| 5.2.1 网络通信模块 | 第49-51页 |
| 5.2.2 图像判图模块 | 第51-54页 |
| 5.3 系统的主界面 | 第54页 |
| 5.4 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间所取得的相关科研成果 | 第62-64页 |
| 致谢 | 第64页 |
