| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12页 |
| 本章小结 | 第12-13页 |
| 第二章 电能表字符自动识别系统 | 第13-25页 |
| 2.1 引言 | 第13-14页 |
| 2.2 图像预处理 | 第14-17页 |
| 2.2.1 图像的灰度化 | 第14-15页 |
| 2.2.2 图像的二值化 | 第15-16页 |
| 2.2.3 图像增强 | 第16-17页 |
| 2.3 字符分割 | 第17-18页 |
| 2.4 字符识别 | 第18-19页 |
| 2.5 实验配置 | 第19-24页 |
| 2.5.1 系统配置 | 第19-21页 |
| 2.5.2 图像库 | 第21-22页 |
| 2.5.3 测试结果及分析 | 第22-24页 |
| 本章小结 | 第24-25页 |
| 第三章 卷积神经网络概述 | 第25-35页 |
| 3.1 引言 | 第25页 |
| 3.2 卷积神经网络的概念 | 第25-29页 |
| 3.3 卷积神经网络结构原理 | 第29-34页 |
| 3.3.1 卷积神经网络结构 | 第29-32页 |
| 3.3.2 卷积神经网络反向传播算法 | 第32-34页 |
| 3.4 卷积神经网络演变 | 第34页 |
| 本章小结 | 第34-35页 |
| 第四章 基于Lenet-5卷积神经网络模型的电能表字符识别 | 第35-45页 |
| 4.1 引言 | 第35页 |
| 4.2 Lenet-5模型介绍 | 第35-36页 |
| 4.3 Lenet-5模型训练过程 | 第36-38页 |
| 4.3.1 卷积 | 第37页 |
| 4.3.2 降采样 | 第37-38页 |
| 4.3.3 全连接层 | 第38页 |
| 4.4 训练与测试过程 | 第38-39页 |
| 4.4.1 电能表数字识别流程 | 第38-39页 |
| 4.4.2 训练和测试步骤 | 第39页 |
| 4.5 实验结果分析 | 第39-43页 |
| 4.5.1 实验设置 | 第39-40页 |
| 4.5.2 实验数据 | 第40-41页 |
| 4.5.3 实验结果分析 | 第41-43页 |
| 本章小结 | 第43-45页 |
| 第五章 基于迁移学习的电能表字符识别 | 第45-54页 |
| 5.1 引言 | 第45页 |
| 5.2 VGG-16模型 | 第45-46页 |
| 5.3 迁移学习 | 第46页 |
| 5.4 基于VGG-16迁移学习模型 | 第46-48页 |
| 5.5 实验结果分析 | 第48-53页 |
| 5.5.1 实验配置 | 第48-49页 |
| 5.5.2 测试结果 | 第49-50页 |
| 5.5.3 实验结果分析 | 第50-53页 |
| 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |