| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 选题的目的与意义 | 第8-10页 |
| 1.2 国内外发展现状 | 第10-13页 |
| 1.2.1 智能冰箱物品识别发展现状 | 第10页 |
| 1.2.2 图像识别发展现状 | 第10-11页 |
| 1.2.3 神经网络发展现状 | 第11-13页 |
| 1.3 目前存在的问题 | 第13-14页 |
| 1.4 主要研究内容与结构 | 第14-16页 |
| 第二章 相关技术及理论 | 第16-34页 |
| 2.1 传统的图像识别 | 第16-17页 |
| 2.2 神经网络 | 第17-23页 |
| 2.2.1 神经元 | 第17-19页 |
| 2.2.2 神经网络结构 | 第19-20页 |
| 2.2.3 反向传播算法 | 第20-23页 |
| 2.3 卷积神经网络 | 第23-28页 |
| 2.3.1 卷积神经网络结构 | 第24-27页 |
| 2.3.2 连接方式 | 第27-28页 |
| 2.4 FasterR-CNN | 第28-33页 |
| 2.4.1 原理简介 | 第30-32页 |
| 2.4.2 评价标准 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于FasterR-CNN的冰箱物品图像识别 | 第34-54页 |
| 3.1 数据库的构建 | 第34-36页 |
| 3.2 实验条件及参数设置 | 第36页 |
| 3.3 优化的FasterR-CNN | 第36-44页 |
| 3.3.1 增加anchor | 第37-38页 |
| 3.3.2 数据扩增 | 第38-41页 |
| 3.3.3 对比分析 | 第41-44页 |
| 3.4 基于不同的卷积神经网络实验 | 第44-50页 |
| 3.4.1 VGG16 | 第45-46页 |
| 3.4.2 残差网络 | 第46-48页 |
| 3.4.5 实验分析 | 第48-50页 |
| 3.5 光照鲁棒性实验 | 第50-52页 |
| 3.5.1 顶端式光源 | 第50页 |
| 3.5.2 左右侧光源 | 第50-51页 |
| 3.5.3 三侧式光源 | 第51页 |
| 3.5.4 对比分析 | 第51-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第四章 改进的FasterR-CNN | 第54-66页 |
| 4.1 再识别 | 第56-58页 |
| 4.2 图像增强 | 第58-61页 |
| 4.2.1 模糊掩盖锐化处理算法 | 第58-59页 |
| 4.2.2 自动色彩增强算法 | 第59-60页 |
| 4.2.3 对比分析 | 第60-61页 |
| 4.3 优化的FasterR-CNN结合再识别技术 | 第61-63页 |
| 4.4 实验分析 | 第63-65页 |
| 4.5 本章小结 | 第65-66页 |
| 总结 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 在学期间主要研究成果 | 第74页 |