| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 智能洗衣机概述及发展 | 第10-11页 |
| 1.2.1 智能洗衣机定义 | 第10页 |
| 1.2.2 智能洗衣机研究现状 | 第10-11页 |
| 1.3 论文研究的目标和意义 | 第11页 |
| 1.4 本文创新点和工作内容 | 第11-12页 |
| 1.5 论文的组织和结构 | 第12-13页 |
| 第2章 相关工作 | 第13-25页 |
| 2.1 图像分割概述 | 第13-16页 |
| 2.1.1 概述 | 第13页 |
| 2.1.2 图像分割常用方法 | 第13-16页 |
| 2.2 纹理图像分类概述 | 第16-21页 |
| 2.2.1 概述 | 第16-18页 |
| 2.2.2 纹理图像分类 | 第18-21页 |
| 2.3 图像预处理方法 | 第21页 |
| 2.4 深度学习概述 | 第21-24页 |
| 2.4.1 深度学习的起源 | 第21-22页 |
| 2.4.2 卷积神经网络成功的模型 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 智能洗衣机系统算法设计 | 第25-46页 |
| 3.1 应用场景描述 | 第25页 |
| 3.2 识别算法的总体流程 | 第25-27页 |
| 3.3 系统所需的数据采集 | 第27-32页 |
| 3.3.1 数据采集环境 | 第27-28页 |
| 3.3.2 图像分割算法数据采集过程 | 第28-30页 |
| 3.3.3 纹理图像分类算法数据采集过程 | 第30-31页 |
| 3.3.4 掩码面积大小识别算法数据采集 | 第31-32页 |
| 3.4 深度学习算法基本原理 | 第32-41页 |
| 3.4.1 深度学习的核心思想 | 第33页 |
| 3.4.2 神经网络算法 | 第33页 |
| 3.4.3 网络结构 | 第33-36页 |
| 3.4.4 激活函数 | 第36-38页 |
| 3.4.5 损失函数 | 第38-39页 |
| 3.4.6 优化算法 | 第39-40页 |
| 3.4.7 过拟合防范方法 | 第40-41页 |
| 3.5 基于卷积神经网络的图像分割算法具体实现 | 第41-43页 |
| 3.6 基于卷积神经网络的纹理图像分类算法具体实现 | 第43-44页 |
| 3.7 基于BP神经网络的掩码面积大小识别算法具体实现 | 第44-45页 |
| 3.8 本章小结 | 第45-46页 |
| 第4章 神经网络的训练过程以及实验结果 | 第46-57页 |
| 4.1 实验配置 | 第46页 |
| 4.1.1 运行环境 | 第46页 |
| 4.1.2 Tensorflow简介 | 第46页 |
| 4.2 算法评价指标 | 第46-47页 |
| 4.3 图像分割算法实验过程 | 第47-50页 |
| 4.3.1 算法的实验过程 | 第47-49页 |
| 4.3.2 实验对比算法 | 第49页 |
| 4.3.3 实验结果与分析 | 第49-50页 |
| 4.4 纹理图像分类算法实验过程 | 第50-53页 |
| 4.4.1 算法的实现过程 | 第50-51页 |
| 4.4.2 对比试验 | 第51-52页 |
| 4.4.3 试验结果与分析 | 第52-53页 |
| 4.5 掩码面积大小识别算法实验过程 | 第53-54页 |
| 4.6 智能洗衣机系统流程实验 | 第54-56页 |
| 4.7 本章小结 | 第56-57页 |
| 第5章 总结和展望 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士学位期间主要的研究成果 | 第64页 |