| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 国内外机器视觉在矿石颗粒分析的研究现状 | 第12-15页 |
| 1.2.2 卷积神经网络在图像分割领域的研究现状 | 第15-16页 |
| 1.3 论文研究内容和组织结构 | 第16-18页 |
| 1.3.1 论文研究内容 | 第16-17页 |
| 1.3.2 论文组织结构 | 第17-18页 |
| 第2章 基于UNet算法的熟料颗粒图像分割 | 第18-40页 |
| 2.1 引言 | 第18页 |
| 2.2 熟料颗粒采集系统 | 第18-20页 |
| 2.3 数据准备 | 第20-24页 |
| 2.3.1 熟料颗粒图片预处理 | 第20-21页 |
| 2.3.2 熟料颗粒标签图像 | 第21-24页 |
| 2.4 深度卷积神经网络选择 | 第24-30页 |
| 2.4.1 卷积神经网路(CNN) | 第24-25页 |
| 2.4.2 用于图像分割的卷积神经网络 | 第25-30页 |
| 2.5 UNet网络结构及训练 | 第30-33页 |
| 2.5.1 UNet网络结构 | 第30-31页 |
| 2.5.2 UNet网络训练 | 第31-33页 |
| 2.6 UNet网络分割测试 | 第33-34页 |
| 2.6.1 样例熟料颗粒图像分割结果 | 第33-34页 |
| 2.6.2 误差量化分析 | 第34页 |
| 2.7 UNet网络的迁移学习 | 第34-38页 |
| 2.8 本章小结 | 第38-40页 |
| 第3章 UNet分割算法改进 | 第40-54页 |
| 3.1 引言 | 第40页 |
| 3.2 VGG_Unet网络 | 第40-44页 |
| 3.2.1 VGG_UNet网络构架 | 第40-42页 |
| 3.2.2 效果对比 | 第42-44页 |
| 3.3 带权重的交叉熵损失函数 | 第44-49页 |
| 3.3.1 交叉熵损失函数介绍 | 第44-46页 |
| 3.3.2 带权重的交叉熵损失函数 | 第46-47页 |
| 3.3.3 效果对比 | 第47-49页 |
| 3.4 综合效果比对 | 第49-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第4章 颗粒粒度检测模型 | 第54-66页 |
| 4.1 引言 | 第54页 |
| 4.2 粒度特征参数 | 第54-59页 |
| 4.3 粒度统计 | 第59-64页 |
| 4.3.1 特征参数测量 | 第59页 |
| 4.3.2 熟料颗粒粒度检测 | 第59-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第5章 总结和展望 | 第66-69页 |
| 5.1 全文总结 | 第66-67页 |
| 5.1.1 论文主要研究成果 | 第66-67页 |
| 5.1.2 论文主要创新点 | 第67页 |
| 5.2 研究展望 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74-75页 |
| 在读期间发表的学术论文与取得的研究成果 | 第75页 |