| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于计算机视觉的水下目标检测方法国内外研究现状 | 第11-13页 |
| 1.2.2 基于卷积神经网络的目标检测方法国内外研究现状 | 第13-14页 |
| 1.3 本文主要工作 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 水下海参目标检测系统需求分析与总体设计 | 第16-23页 |
| 2.1 系统的需求分析 | 第16-17页 |
| 2.1.1 功能需求 | 第16-17页 |
| 2.1.2 性能需求 | 第17页 |
| 2.2 水下海参目标检测系统总体设计 | 第17-21页 |
| 2.2.1 系统结构设计 | 第17-18页 |
| 2.2.2 系统实现阶段设计 | 第18页 |
| 2.2.3 水下海参目标检测评估指标 | 第18-21页 |
| 2.3 水下海参目标检测系统流程设计 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于卷积神经网络的水下海参目标检测算法 | 第23-46页 |
| 3.1 引言 | 第23页 |
| 3.2 卷积神经网络 | 第23-31页 |
| 3.2.1 基础单元 | 第24-26页 |
| 3.2.2 卷积神经网络的训练 | 第26-28页 |
| 3.2.3 经典卷积神经网络结构 | 第28-31页 |
| 3.3 基于卷积神经网络的目标检测方法 | 第31-35页 |
| 3.3.1 基于候选区域的目标检测方法 | 第31-32页 |
| 3.3.2 基于回归的目标检测方法 | 第32-35页 |
| 3.4 基于YOLOv2的水下海参目标检测算法 | 第35-45页 |
| 3.4.1 网络结构 | 第36-38页 |
| 3.4.2 坐标预测 | 第38-40页 |
| 3.4.3 非极大值抑制 | 第40-41页 |
| 3.4.4 损失函数设计 | 第41-42页 |
| 3.4.5 关键技术分析 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于卷积神经网络的水下海参目标检测系统实现 | 第46-59页 |
| 4.1 材料 | 第46-48页 |
| 4.1.1 实验样本 | 第46页 |
| 4.1.2 数据采集 | 第46-48页 |
| 4.2 数据准备阶段 | 第48-54页 |
| 4.2.1 图像预处理模块 | 第48-52页 |
| 4.2.2 数据标注模块 | 第52-54页 |
| 4.2.3 数据筛选模块 | 第54页 |
| 4.3 模型训练阶段 | 第54-58页 |
| 4.3.1 模型训练环境及数据 | 第54-55页 |
| 4.3.2 模型训练模块 | 第55-58页 |
| 4.4 水下海参目标检测阶段 | 第58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 基于卷积神经网络的水下海参目标检测系统测试 | 第59-64页 |
| 5.1 系统测试环境及数据 | 第59页 |
| 5.2 系统性能测试 | 第59-61页 |
| 5.2.1 YOLO系列算法实验结果 | 第60-61页 |
| 5.2.2 YOLOv2与其他算法对比结果 | 第61页 |
| 5.3 系统功能测试 | 第61-63页 |
| 5.3.1 图像文件测试 | 第61-62页 |
| 5.3.2 视频文件测试 | 第62-63页 |
| 5.4 测试结论 | 第63页 |
| 5.5 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第69-70页 |
| 致谢 | 第70页 |
