| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 本文研究的背景和意义 | 第9-11页 |
| 1.2 国内外研究动态 | 第11-14页 |
| 1.2.1 卷积神经网络的研究进展 | 第11-14页 |
| 1.2.2 工业产品图像识别技术的研究和发展现状 | 第14页 |
| 1.3 论文的主要研究内容和结构安排 | 第14-16页 |
| 第2章 故障指示器在CNN中的识别实验及问题分析 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 故障指示器的简介 | 第16-17页 |
| 2.3 卷积神经网络的概述 | 第17-22页 |
| 2.3.1 卷积神经网络的结构 | 第18-21页 |
| 2.3.2 卷积神经网络的训练算法 | 第21-22页 |
| 2.4 CNN在故障指示器状态识别中的初步应用实验 | 第22-25页 |
| 2.4.1 数据集的获取及特点 | 第22-23页 |
| 2.4.2 故障指示器识别实验结果和分析 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 故障指示器图片预处理及分割技术研究 | 第26-38页 |
| 3.1 引言 | 第26页 |
| 3.2 故障指示器状态识别算法流程设计 | 第26-27页 |
| 3.3 图像预处理方法及实验 | 第27-31页 |
| 3.3.1 图像滤波实验 | 第27-28页 |
| 3.3.2 图像增强实验 | 第28-30页 |
| 3.3.3 图像高光处理方法及实验 | 第30-31页 |
| 3.4 图像分割方法及实验 | 第31-35页 |
| 3.4.1 基于阈值的图像分割方法 | 第31-32页 |
| 3.4.2 基于边缘检测的图像分割方法 | 第32-34页 |
| 3.4.3 基于聚类的图像分割方法 | 第34-35页 |
| 3.4.4 分割实验结果分析 | 第35页 |
| 3.5 数据样本扩充实验 | 第35-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 改进CNN的故障指示器识别方法研究 | 第38-53页 |
| 4.1 引言 | 第38页 |
| 4.2 网络结构的改进方法 | 第38-41页 |
| 4.2.1 相关工作 | 第38-39页 |
| 4.2.2 网络模型的设计 | 第39-40页 |
| 4.2.3 实验与分析 | 第40-41页 |
| 4.3 去冗余的CNN模型改进方法 | 第41-45页 |
| 4.3.1 相关理论分析 | 第41-43页 |
| 4.3.2 实验网络模型设计 | 第43-44页 |
| 4.3.3 实验与结果 | 第44-45页 |
| 4.4 两种方法结合的实验结果与分析 | 第45-46页 |
| 4.4.1 实验结果 | 第45-46页 |
| 4.4.2 实验分析 | 第46页 |
| 4.5 应用Faster R-CNN模型的实验 | 第46-52页 |
| 4.5.1 Faster R-CNN的测试实验 | 第48-50页 |
| 4.5.2 故障指示器图片的实验 | 第50-52页 |
| 4.5.2.1 准备数据集 | 第50-51页 |
| 4.5.2.2 训练网络及测试实验 | 第51-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 结论与展望 | 第53-55页 |
| 5.1 本文工作总结 | 第53-54页 |
| 5.2 下一步工作方向 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |