| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 电子元器件计数的研究背景 | 第9-10页 |
| 1.2 电子元器件计数的难点 | 第10-11页 |
| 1.3 本文的主要工作 | 第11页 |
| 1.4 论文的组织结构安排 | 第11-13页 |
| 第二章 深度学习的研究综述 | 第13-22页 |
| 2.1 深度学习的起源和发展 | 第13-15页 |
| 2.2 卷积神经网络的结构 | 第15-20页 |
| 2.2.1 卷积层 | 第15-17页 |
| 2.2.2 池化层 | 第17-19页 |
| 2.2.3 全连接层 | 第19-20页 |
| 2.3 反向传播算法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于图像处理的元器件计数算法 | 第22-34页 |
| 3.1 引言 | 第22-23页 |
| 3.2 阈值分割算法 | 第23-24页 |
| 3.3 边缘提取算法 | 第24-25页 |
| 3.4 基于梯度的自适应阈值分割算法 | 第25-29页 |
| 3.5 实验结果分析 | 第29-32页 |
| 3.6 本章小结 | 第32-34页 |
| 第四章 基于深度学习的元器件计数算法 | 第34-57页 |
| 4.1 引言 | 第34页 |
| 4.2 R-CNN网络结构模型 | 第34-39页 |
| 4.2.1 选择性搜索算法 | 第35-37页 |
| 4.2.2 特征提取 | 第37-38页 |
| 4.2.3 目标分类与定位 | 第38-39页 |
| 4.3 FAST R-CNN网络结构模型 | 第39-42页 |
| 4.3.1 感兴趣区域池化层 | 第40-41页 |
| 4.3.2 多任务损失函数 | 第41-42页 |
| 4.4 FASTER R-CNN网络结构模型 | 第42-44页 |
| 4.4.1 待检测区域推荐网络 | 第42-43页 |
| 4.4.2 共享卷积特征 | 第43-44页 |
| 4.5 改进的FASTER R-CNN网络模型 | 第44-50页 |
| 4.5.1 多卷积层信息融合 | 第45-47页 |
| 4.5.2 下上文信息扩展 | 第47-48页 |
| 4.5.3 位置敏感卷积层与池化层 | 第48-50页 |
| 4.6 实验结果分析 | 第50-56页 |
| 4.6.1 多尺度信息扩展实验结果 | 第50-52页 |
| 4.6.2 位置敏感卷积与池化实验结果 | 第52页 |
| 4.6.3 基于图像处理算法与基于深度学习算法的比较 | 第52-56页 |
| 4.7 本章小结 | 第56-57页 |
| 第五章 电子元器件计数系统实现 | 第57-62页 |
| 5.1 引言 | 第57页 |
| 5.2 系统整体设计 | 第57-60页 |
| 5.3 系统检测流程 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69-70页 |
| 附表 | 第70页 |