基于深度学习的有害气体红外图像处理研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 有害气体红外检测原理 | 第13-15页 |
| 1.2.2 国外有害气体红外图像研究现状 | 第15-17页 |
| 1.2.3 国内有害气体红外图像研究现状 | 第17-18页 |
| 1.2.4 本文理论结构图 | 第18页 |
| 1.3 论文研究的主要内容 | 第18-19页 |
| 1.4 论文结构及章节安排 | 第19-20页 |
| 1.5 本章小结 | 第20-21页 |
| 第2章 实验环境与数据集介绍 | 第21-26页 |
| 2.1 红外相机简介 | 第21页 |
| 2.2 软件框架使用简介 | 第21-25页 |
| 2.2.1 ViewSeri简介 | 第22-23页 |
| 2.2.2 MATLAB简介 | 第23页 |
| 2.2.3 TensorFlow简介 | 第23-24页 |
| 2.2.4 TensorBoard简介 | 第24-25页 |
| 2.3 数据集简介 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 红外气体图像预处理 | 第26-40页 |
| 3.1 引言 | 第26页 |
| 3.2 红外有害气体原始图像简介 | 第26-28页 |
| 3.3 红外图像预处理流程 | 第28-29页 |
| 3.4 红外图像降噪 | 第29-35页 |
| 3.4.1 传统红外有害气体降噪方法 | 第29-33页 |
| 3.4.2 非局部均值降噪 | 第33-35页 |
| 3.5 线性转化 | 第35-36页 |
| 3.6 非局部均匀降噪调参实验结果 | 第36-38页 |
| 3.7 本章小结 | 第38-40页 |
| 第4章 基于卷积神经网络红外图像质量评估 | 第40-58页 |
| 4.1 引言 | 第40页 |
| 4.2 非深度学习NR-IQA算法简介 | 第40-41页 |
| 4.3 基于卷积神经网络NR-IQA算法 | 第41-52页 |
| 4.3.1 卷积神经网络背景简介 | 第41-42页 |
| 4.3.2 卷积神经网络基本知识点 | 第42-51页 |
| 4.3.3 LIVE数据集 | 第51-52页 |
| 4.3.4 卷积神经网络应用于NR-IQA | 第52页 |
| 4.4 卷积网络结构 | 第52-55页 |
| 4.4.1 卷积网络评估无参考图像流程 | 第53页 |
| 4.4.2 网络结构简介 | 第53页 |
| 4.4.3 局部归一化 | 第53-54页 |
| 4.4.4 最小最大池化层 | 第54-55页 |
| 4.4.5 激活函数选择 | 第55页 |
| 4.4.6 训练 | 第55页 |
| 4.5 实验结果与分析 | 第55-57页 |
| 4.5.1 LCC和SROCC评估LIVE数据集 | 第55-56页 |
| 4.5.2 有害气体红外图像评估结果 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 基于卷积神经网络红外气体浓度识别 | 第58-74页 |
| 5.1 引言 | 第58-59页 |
| 5.2 卷积网络结构详解 | 第59-61页 |
| 5.2.1 不同浓度有害气体红外图像分类流程 | 第59-60页 |
| 5.2.2 网络结构简介 | 第60-61页 |
| 5.3 过拟合现象及解决方法 | 第61-65页 |
| 5.3.1 过拟合 | 第61-62页 |
| 5.3.2 主要解决方法 | 第62-65页 |
| 5.4 实验结果与分析 | 第65-72页 |
| 5.4.1 本文算法和hog-svm算法分类结果 | 第65-66页 |
| 5.4.2 不同dropout系数分类识别结果 | 第66-68页 |
| 5.4.3 不同学习速率分类识别结果 | 第68-71页 |
| 5.4.4 不同优化方法分类识别结果 | 第71-72页 |
| 5.5 本章小结 | 第72-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间发表的论文和参加的科研工作 | 第80-81页 |
| 致谢 | 第81-82页 |
