基于深度学习的织物面料成分分类算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 面料成分分类近红外光谱分析技术 | 第10页 |
| 1.2.2 面料成分分类数字图像处理技术 | 第10-11页 |
| 1.2.3 面料成分分类深度学习技术 | 第11-12页 |
| 1.3 论文主要工作及结构安排 | 第12-14页 |
| 第二章 深度学习基础 | 第14-26页 |
| 2.1 深度学习发展简史 | 第14-15页 |
| 2.2 卷积神经网络基础 | 第15-21页 |
| 2.2.1 卷积层 | 第16-17页 |
| 2.2.2 激活函数 | 第17-18页 |
| 2.2.3 池化层 | 第18-20页 |
| 2.2.4 全连接层 | 第20页 |
| 2.2.5 输出层 | 第20-21页 |
| 2.3 卷积神经网络优化 | 第21-25页 |
| 2.3.1 Dropout 正则化 | 第21-22页 |
| 2.3.2 批规范化 | 第22-23页 |
| 2.3.3 自适应学习率算法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于卷积神经网络的纺织面料主成分分类算法 | 第26-36页 |
| 3.1 算法概述 | 第26页 |
| 3.2 构建纺织面料主成分图像样本库 | 第26-27页 |
| 3.3 图像预处理 | 第27-30页 |
| 3.3.1 裁剪图像有效区域 | 第27-28页 |
| 3.3.2 转换颜色空间 | 第28-29页 |
| 3.3.3 数据增强 | 第29-30页 |
| 3.4 用于纺织面料主成分分类的卷积神经网络模型 | 第30-35页 |
| 3.4.1 空洞卷积的应用 | 第30-31页 |
| 3.4.2 深度可分离卷积的应用 | 第31-33页 |
| 3.4.3 构建卷积神经网络模型 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 实验结果与分析 | 第36-47页 |
| 4.1 实验环境 | 第36页 |
| 4.2 图像预处理的有效性 | 第36-38页 |
| 4.3 网络模型性能验证 | 第38-43页 |
| 4.4 网络关注区域可视化 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 纺织面料主成分检测系统设计与实现 | 第47-53页 |
| 5.1 系统概述 | 第47页 |
| 5.2 前端系统的实现 | 第47-49页 |
| 5.3 后端系统的实现 | 第49-52页 |
| 5.3.1 使用Java语言开发 | 第50-51页 |
| 5.3.2 使用Python语言开发 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 学位期间的研究成果 | 第60-61页 |
| 致谢 | 第61页 |
