| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 选题背景与研究意义 | 第11-13页 |
| 1.1.1 选题背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 基于视觉的目标检测技术研究现状 | 第13-20页 |
| 1.2.1 数字图像处理技术研究概况 | 第13-14页 |
| 1.2.2 数字图像分析研究概况 | 第14-16页 |
| 1.2.3 视觉目标检测研究现状 | 第16-20页 |
| 1.3 本文主要工作与组织结构 | 第20-23页 |
| 第二章 统计机器学习理论基础 | 第23-33页 |
| 2.1 图像的特征提取 | 第23-26页 |
| 2.2 监督学习 | 第26页 |
| 2.3 支持向量机与支持向量回归 | 第26-28页 |
| 2.4 人工神经网络 | 第28-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 基于联合模型匹配的单目标零件检测 | 第33-45页 |
| 3.1 联合模型匹配的视觉检测 | 第33-38页 |
| 3.1.1 特征提取 | 第34-36页 |
| 3.1.2 训练分类器 | 第36页 |
| 3.1.3 位置匹配 | 第36-38页 |
| 3.2 实验结果与分析 | 第38-44页 |
| 3.2.1 数据采集与标注 | 第38页 |
| 3.2.2 特征样本设计 | 第38-41页 |
| 3.2.3 分类器设计 | 第41页 |
| 3.2.4 实验结果 | 第41-44页 |
| 3.3 本章小结 | 第44-45页 |
| 第四章 基于深度学习的多零件目标图像级分类 | 第45-59页 |
| 4.1 深度学习 | 第45-52页 |
| 4.1.1 基于无监督学习逐层训练的深度模型 | 第46-48页 |
| 4.1.2 卷积神经网络 | 第48-52页 |
| 4.2 基于卷积神经网络的多类零件的图像级分类实验 | 第52-58页 |
| 4.2.1 实验数据 | 第52-53页 |
| 4.2.2 模型搭建 | 第53-55页 |
| 4.2.3 实验结果与分析 | 第55-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第五章 基于区域级卷积神经网络的多目标零件检测 | 第59-69页 |
| 5.1 基于区域级的卷积神经网络介绍 | 第59-60页 |
| 5.2 基于FastR-CNN的多类目标零件检测实验 | 第60-63页 |
| 5.2.1 有监督预训练 | 第60-61页 |
| 5.2.2 ROI区域提取-选择性搜索算法 | 第61页 |
| 5.2.3 ROIpooling层 | 第61-62页 |
| 5.2.4 奇异值分解(SVD)： | 第62页 |
| 5.2.5 多任务损失 | 第62-63页 |
| 5.3 实验与结果分析 | 第63-68页 |
| 5.3.1 实验条件与实验数据 | 第63-65页 |
| 5.3.2 实验结果与分析 | 第65-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-73页 |
| 6.1 总结 | 第69-71页 |
| 6.2 展望 | 第71-73页 |
| 致谢 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 附录：攻读硕士期间取得学术成果 | 第81页 |
| 参与国家自然科学基金项目 | 第81页 |