基于Flask和机器学习的智能交通系统应用研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 智能交通系统发展研究现状 | 第10-14页 |
| 1.2.1 国外智能交通发展现状 | 第11-12页 |
| 1.2.2 国内智能交通发展现状 | 第12-14页 |
| 1.3 论文的主要工作 | 第14页 |
| 1.4 论文的章节结构 | 第14-17页 |
| 第二章 Flask相关技术理论 | 第17-23页 |
| 2.1 Flask框架 | 第17-18页 |
| 2.2 前端框架 | 第18-20页 |
| 2.3 前端与后台的交互 | 第20-21页 |
| 2.4 数据库工具 | 第21页 |
| 2.5 模板引擎 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 机器学习的相关理论 | 第23-33页 |
| 3.1 机器学习基本理论 | 第23-25页 |
| 3.1.1 神经网络 | 第23-24页 |
| 3.1.2 卷积神经网络 | 第24-25页 |
| 3.2 目标识别算法 | 第25-31页 |
| 3.2.1 R-CNN | 第25-26页 |
| 3.2.2 SPP-Net | 第26-29页 |
| 3.2.3 FastR-CNN | 第29-30页 |
| 3.2.4 FasterR-CNN | 第30-31页 |
| 3.3 TensorFlow框架 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 智能交通系统控制平台的设计与实现 | 第33-49页 |
| 4.1 智能交通系统控制平台的设计 | 第33-39页 |
| 4.1.1 架构设计 | 第33-34页 |
| 4.1.2 模块设计 | 第34-37页 |
| 4.1.3 数据库设计 | 第37-38页 |
| 4.1.4 模板设计 | 第38-39页 |
| 4.2 智能交通平台的实现 | 第39-48页 |
| 4.2.1 开发环境与系统组件 | 第39页 |
| 4.2.2 基于Flask的后台实现 | 第39-41页 |
| 4.2.3 前端实现 | 第41-45页 |
| 4.2.4 邮件通知的实现 | 第45-46页 |
| 4.2.5 硬件实现 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第五章 基于机器学习的车辆识别模型研究与实现 | 第49-67页 |
| 5.1 车辆识别算法简介 | 第49-50页 |
| 5.2 预训练模型 | 第50-55页 |
| 5.2.1 预训练模型简介 | 第50页 |
| 5.2.2 预训练模型的实现 | 第50-55页 |
| 5.2.3 基于预训练模型的对比与分析 | 第55页 |
| 5.3 改进模型 | 第55-61页 |
| 5.3.1 基于FasterR-CNN的改进模型 | 第55-57页 |
| 5.3.2 改进模型预训练与检测分析 | 第57-61页 |
| 5.4 基于改进模型的车辆属性识别的实现 | 第61-66页 |
| 5.4.1 收集数据 | 第61页 |
| 5.4.2 注释图像 | 第61-62页 |
| 5.4.3 创建TFR数据集 | 第62-63页 |
| 5.4.4 属性识别和实验分析 | 第63-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 论文总结 | 第67-68页 |
| 6.2 研究展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 作者在攻读硕士期间的研究成果 | 第75页 |
