| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究工作的背景意义 | 第10-11页 |
| 1.2 相关技术的研究进展 | 第11-14页 |
| 1.2.1 机器视觉研究现状 | 第11-12页 |
| 1.2.2 深度学习的研究现状 | 第12-14页 |
| 1.3 本文的主要工作 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14页 |
| 1.3.2 论文的章节安排 | 第14-16页 |
| 2 卷积神经网络与目标识别相关理论 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 人工神经网络 | 第16-18页 |
| 2.3 误差反向传播算法 | 第18-20页 |
| 2.4 卷积神经网络 | 第20-23页 |
| 2.5 基于特征匹配的目标识别 | 第23-26页 |
| 2.5.1 HOG算子 | 第23-25页 |
| 2.5.2 SIFT算子 | 第25-26页 |
| 2.6 非极大值抑制(NmS) | 第26-28页 |
| 2.7 本章小结 | 第28-30页 |
| 3 基于深度卷积神经网络的零件识别分类研究 | 第30-40页 |
| 3.1 引言 | 第30页 |
| 3.2 零件分类识别的网络模型结构 | 第30-31页 |
| 3.3 卷积层的设计 | 第31-32页 |
| 3.4 激活函数 | 第32-34页 |
| 3.5 池化层设计 | 第34-35页 |
| 3.6 零件数据的构建 | 第35-37页 |
| 3.6.1 直方图均衡化 | 第35-37页 |
| 3.6.2 归一化 | 第37页 |
| 3.7 对比实验分析 | 第37-38页 |
| 3.8 本章小结 | 第38-40页 |
| 4 基于区域深度卷积神经网络的零件位置检测识别 | 第40-60页 |
| 4.1 引言 | 第40页 |
| 4.2 基于深度学习的目标检测算法 | 第40-43页 |
| 4.2.1 R-CNN | 第40-42页 |
| 4.2.2 FastR-CNN | 第42-43页 |
| 4.3 基于区域深度卷积神经网络的零件目标检测算法 | 第43-50页 |
| 4.3.1 零件目标检测网络结构 | 第44页 |
| 4.3.2 零件候选区域提取网络 | 第44-47页 |
| 4.3.3 候选区域坐标值的回归计算 | 第47-48页 |
| 4.3.4 改进的空间金字塔特征图池化层 | 第48-50页 |
| 4.4 零件识别网络框架及实现 | 第50页 |
| 4.5 实验设计 | 第50-53页 |
| 4.6 实验结果分析 | 第53-59页 |
| 4.6.1 区域提取网络与选择性搜索(selectivesearch)提取方法对比 | 第53-54页 |
| 4.6.2 单种类零件识别结果分析 | 第54页 |
| 4.6.3 多种类识别实验对比 | 第54-59页 |
| 4.7 本章小结 | 第59-60页 |
| 5 基于深度学习机制的零件识别系统设计 | 第60-67页 |
| 5.1 引言 | 第60页 |
| 5.2 识别系统硬件系统结构设计 | 第60-62页 |
| 5.2.1 六自由度机械手 | 第61页 |
| 5.2.2 相机相关参数 | 第61-62页 |
| 5.3 识别系统的软件设计 | 第62-65页 |
| 5.4 本章小结 | 第65-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第75页 |