| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第11-19页 |
| 1.1 论文研究的背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 视频图像质量评价的研究现状 | 第13-14页 |
| 1.2.2 深度学习的研究现状 | 第14-16页 |
| 1.3 论文的研究内容与组织结构 | 第16-18页 |
| 1.3.1 论文的研究内容 | 第16-17页 |
| 1.3.2 论文的组织结构 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 2 卷积神经网络的相关理论 | 第19-30页 |
| 2.1 卷积神经网络的基本框架及特性 | 第19-22页 |
| 2.1.1 卷积神经网络的基本框架 | 第19-20页 |
| 2.1.2 卷积神经网络的特性[28] | 第20-22页 |
| 2.2 BP人工神经网络 | 第22-26页 |
| 2.2.1 数据正向传播 | 第24-25页 |
| 2.2.2 误差反向传播(BP算法) | 第25-26页 |
| 2.3 卷积神经网络的几种应用模型 | 第26-27页 |
| 2.3.1 文字识别系统LeNet-5 | 第26页 |
| 2.3.2 ImageNet的卷积神经网络 | 第26页 |
| 2.3.3 人脸识别的DeepID模型 | 第26-27页 |
| 2.4 卷积神经网络的相关问题分析 | 第27-29页 |
| 2.4.1 BP算法的学习速率 | 第27页 |
| 2.4.2 常用的激活函数 | 第27-29页 |
| 2.4.3 卷积和降采样过程 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 基于卷积神经网络的故障视频图像识别模型的设计 | 第30-46页 |
| 3.1 卷积神经网络模型分析 | 第30-38页 |
| 3.1.1 模型的数据集分析 | 第30-31页 |
| 3.1.2 模型的网络结构分析 | 第31-34页 |
| 3.1.3 模型的参数分析 | 第34-38页 |
| 3.2 故障视频图像识别的卷积神经网络模型的设计 | 第38-42页 |
| 3.2.1 故障视频图像识别的卷积神经网络算法 | 第38-39页 |
| 3.2.2 故障视频图像识别的卷积神经网络模型设计 | 第39-42页 |
| 3.3 模型测试准确率的影响因素分析 | 第42-44页 |
| 3.3.1 迭代次数 | 第42页 |
| 3.3.2 批处理的图片数据量 | 第42-43页 |
| 3.3.3 权重学习率 | 第43页 |
| 3.3.4 图像数据分辨率 | 第43-44页 |
| 3.3.5 网络层数 | 第44页 |
| 3.4 本章小结 | 第44-46页 |
| 4 基于卷积神经网络的故障视频图像识别模型的实现 | 第46-53页 |
| 4.1 图像数据集的设计 | 第46-47页 |
| 4.2 基于卷积神经网络的故障视频图像识别模型的实现 | 第47-51页 |
| 4.2.1 故障视频图像识别的卷积神经网络模型 | 第47-49页 |
| 4.2.2 故障视频图像识别的卷积神经网络框架 | 第49-51页 |
| 4.3 实验及结果分析 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 5 基于卷积神经网络的故障视频图像识别模型的优化与实现 | 第53-60页 |
| 5.1 基于卷积神经网络的故障视频图像识别模型的优化 | 第53页 |
| 5.1.1 图像数据集的扩展 | 第53页 |
| 5.1.2 模型网络结构的变动 | 第53页 |
| 5.1.3 模型参数的调整 | 第53页 |
| 5.2 基于卷积神经网络的故障视频图像识别优化模型的实现 | 第53-57页 |
| 5.2.1 故障视频图像识别的卷积神经网络优化模型 | 第54-55页 |
| 5.2.2 故障视频图像识别的卷积神经网络优化框架 | 第55-57页 |
| 5.3 实验及结果分析 | 第57-59页 |
| 5.3.1 优化模型与基础模型实验结果对比 | 第57-58页 |
| 5.3.2 卷积神经网络模型方法与支持向量机方法对比 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 工作总结 | 第60-61页 |
| 6.2 研究展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 在校期间发表的论文、科研成果等 | 第66-67页 |
| 致谢 | 第67页 |
