| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.3 研究问题及意义 | 第13页 |
| 1.4 研究方法 | 第13页 |
| 1.5 预期研究结果和创新点 | 第13-15页 |
| 第2章 卷积神经网络理论基础 | 第15-25页 |
| 2.1 深度学习与人工智能 | 第15-17页 |
| 2.2 深度学习模型 | 第17-18页 |
| 2.2.1 卷积神经网络CNN | 第17-18页 |
| 2.2.2 循环神经网络RNN | 第18页 |
| 2.3 卷积神经网络常用结构 | 第18-22页 |
| 2.3.1 卷积层 | 第19-20页 |
| 2.3.2 池化层 | 第20页 |
| 2.3.3 全连接层 | 第20-21页 |
| 2.3.4 激活函数 | 第21页 |
| 2.3.5 损失函数 | 第21-22页 |
| 2.3.6 过拟合问题 | 第22页 |
| 2.4 卷积神经网络优点 | 第22-23页 |
| 2.5 TensorFlow概述 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 基于卷积神经网络的教学资源整合方法设计 | 第25-33页 |
| 3.1 基于卷积神经网络的教学资源整合方法总体设计 | 第25-26页 |
| 3.2 基于卷积神经网络的Arduino器件识别程序设计 | 第26-29页 |
| 3.2.1 构造流程 | 第26-27页 |
| 3.2.2 模型设计 | 第27-29页 |
| 3.3 识别准确率的影响因素分析 | 第29-31页 |
| 3.3.1 网络层数 | 第29-30页 |
| 3.3.2 迭代次数 | 第30页 |
| 3.3.3 批处理图片数 | 第30-31页 |
| 3.3.4 基础学习率 | 第31页 |
| 3.4 Arduino器件学习资源库建设 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 Arduino器件识别程序实现与测试 | 第33-42页 |
| 4.1 Arduino器件图像采集 | 第33-34页 |
| 4.2 卷积神经网络的搭建 | 第34-37页 |
| 4.2.1 将图像转为TFRecord文件 | 第34-35页 |
| 4.2.2 加载图像 | 第35页 |
| 4.2.3 模型构建 | 第35-36页 |
| 4.2.4 训练 | 第36-37页 |
| 4.3 调用摄像头实现器件识别 | 第37-38页 |
| 4.4 Arduino器件识别程序在新采集图片上的测试 | 第38-39页 |
| 4.5 Arduino器件识别程序在实际教学环境中的测试一 | 第39-40页 |
| 4.6 Arduino器件识别程序在实际教学环境中的测试二 | 第40页 |
| 4.7 本章小结 | 第40-42页 |
| 第5章 Arduino器件识别程序优化 | 第42-48页 |
| 5.1 Arduino器件识别程序识别准确率不高的原因分析 | 第42页 |
| 5.2 Arduino器件识别程序优化 | 第42-44页 |
| 5.2.1 样本数据集的扩充 | 第42-43页 |
| 5.2.2 参数的优化 | 第43页 |
| 5.2.3 学习资源推送方式的优化 | 第43-44页 |
| 5.3 Arduino器件识别程序优化实现 | 第44-45页 |
| 5.4 Arduino器件识别优化程序测试一 | 第45-46页 |
| 5.5 Arduino器件识别优化程序测试二 | 第46-47页 |
| 5.6 本章小结 | 第47-48页 |
| 第6章 研究总结与展望 | 第48-50页 |
| 6.1 研究总结 | 第48页 |
| 6.2 研究反思与展望 | 第48-50页 |
| 参考文献 | 第50-52页 |
| 附录 | 第52-58页 |
| 致谢 | 第58页 |
