基于机器视觉的扶梯安全检测方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 自动扶梯安全系统国内外研究现状 | 第10页 |
| 1.2.2 机器视觉算法国内外研究现状 | 第10-12页 |
| 1.3 章节结构 | 第12-13页 |
| 第二章 自动扶梯安全保护装置概述 | 第13-23页 |
| 2.1 自动扶梯重大危险概述 | 第13-14页 |
| 2.2 自动扶梯安全系统 | 第14-21页 |
| 2.3 现有扶梯检测方法的不足 | 第21页 |
| 2.4 本章小结 | 第21-23页 |
| 第三章 人体姿态方法研究 | 第23-26页 |
| 3.1 人体姿态识别方法概述 | 第23-24页 |
| 3.2 基于卷积神经网络的姿态分类识别方法 | 第24-25页 |
| 3.3 本章小结 | 第25-26页 |
| 第四章 人体危险姿态分类研究 | 第26-31页 |
| 4.1 常用的分类数据集 | 第26页 |
| 4.2 人体危险姿态分类研究 | 第26-30页 |
| 4.2.1 人体危险姿态分类分析 | 第27-28页 |
| 4.2.2 人体姿态分类数据处理 | 第28-29页 |
| 4.2.3 人体姿态危险等级定义 | 第29-30页 |
| 4.3 本章小结 | 第30-31页 |
| 第五章 Caffe深度学习环境框架的搭建 | 第31-55页 |
| 5.1 深度学习相关理论 | 第31-42页 |
| 5.1.1 人工神经网络概述 | 第31-32页 |
| 5.1.2 单层感知神经网络 | 第32-35页 |
| 5.1.3 多层感知神经网络 | 第35页 |
| 5.1.4 深度学习概述 | 第35-36页 |
| 5.1.5 卷积神经网络 | 第36-37页 |
| 5.1.6 VGG16卷积神经网络模型 | 第37-38页 |
| 5.1.7 Faster RCNN | 第38-42页 |
| 5.2 Caffe深度学习框架的概述 | 第42页 |
| 5.3 Caffe深度学习框架的硬件配置 | 第42-43页 |
| 5.4 Caffe深度学习环境配置 | 第43-44页 |
| 5.5 Faster RCNN框架的安装 | 第44-54页 |
| 5.5.1 Faster RCNN的下载 | 第44页 |
| 5.5.2 Caffe深度学习框架的安装 | 第44-47页 |
| 5.5.3 安全检测系统模型的训练 | 第47-54页 |
| 5.6 本章小结 | 第54-55页 |
| 第六章 扶梯安全检测系统的设计与实现 | 第55-69页 |
| 6.1 安全检测系统的硬件框架设计 | 第55-58页 |
| 6.2 安全检测系统设计 | 第58-64页 |
| 6.2.1 系统需求分析 | 第58页 |
| 6.2.2 主要系统功能模块设计 | 第58-64页 |
| 6.3 仿真实验结果与分析 | 第64-68页 |
| 6.3.1 环境亮度对比测试与分析 | 第64-65页 |
| 6.3.2 检测工况对比测试与分析 | 第65-68页 |
| 6.4 本章小结 | 第68-69页 |
| 第七章 总结与展望 | 第69-71页 |
| 7.1 总结 | 第69页 |
| 7.2 研究展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75-76页 |
| 附件 | 第76页 |
