基于卷积神经网络的输电设备图像识别系统软件的实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 选题背景及意义 | 第8-9页 |
| 1.2 研究现状和发展趋势 | 第9-11页 |
| 1.3 研究内容及章节安排 | 第11-12页 |
| 第2章 系统相关技术 | 第12-23页 |
| 2.1 深度神经网络 | 第12-13页 |
| 2.2 卷积神经网络 | 第13-17页 |
| 2.3 目标检测技术 | 第17-20页 |
| 2.3.1 Faster R-CNN | 第17-19页 |
| 2.3.2 YOLO | 第19-20页 |
| 2.3.3 Mask R-CNN | 第20页 |
| 2.4 迁移学习技术 | 第20-21页 |
| 2.5 深度学习框架 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第3章 基于卷积神经网络的输电设备图像识别 | 第23-49页 |
| 3.1 环境搭建 | 第23-24页 |
| 3.2 数据准备 | 第24-28页 |
| 3.2.1 原始数据收集 | 第24-25页 |
| 3.2.2 图像质量控制 | 第25页 |
| 3.2.3 图像信息标注 | 第25-27页 |
| 3.2.4 数据标注方法 | 第27-28页 |
| 3.3 输电设备图像识别 | 第28-32页 |
| 3.3.1 网络框架选取 | 第28页 |
| 3.3.2 识别对象选取 | 第28-29页 |
| 3.3.3 预训练模型选取 | 第29页 |
| 3.3.4 网络训练流程 | 第29-32页 |
| 3.4 模型优化 | 第32-41页 |
| 3.4.1 网络初始化 | 第32-33页 |
| 3.4.2 批归一化 | 第33-34页 |
| 3.4.3 激活函数 | 第34-35页 |
| 3.4.4 批尺寸大小 | 第35-36页 |
| 3.4.5 训练次数 | 第36页 |
| 3.4.6 学习率 | 第36页 |
| 3.4.7 损失函数 | 第36-38页 |
| 3.4.8 梯度下降算法 | 第38-40页 |
| 3.4.9 参数调整优化 | 第40-41页 |
| 3.5 结果分析 | 第41-46页 |
| 3.6 数据增广 | 第46-48页 |
| 3.7 本章小结 | 第48-49页 |
| 第4章 图像识别系统的设计 | 第49-55页 |
| 4.1 系统概述 | 第49页 |
| 4.2 物理构架 | 第49-50页 |
| 4.3 软件构架 | 第50-52页 |
| 4.4 关键技术 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录一 | 第61-63页 |
| 附录二 | 第63-64页 |
| 致谢 | 第64页 |
