| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 本文研究内容及本文结构 | 第13-17页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 本文结构 | 第14-17页 |
| 第二章 基于背景建模与特征匹配的工业烟尘图像分割方法 | 第17-31页 |
| 2.1 算法描述 | 第17-18页 |
| 2.2 背景建模及更新策略 | 第18-20页 |
| 2.3 差分累计 | 第20-21页 |
| 2.4 形态学填充 | 第21-22页 |
| 2.5 特征匹配 | 第22-23页 |
| 2.6 评价方法 | 第23-24页 |
| 2.7 实验与分析 | 第24-29页 |
| 2.7.1 背景更新参数 | 第24-25页 |
| 2.7.2 特征匹配参数 | 第25页 |
| 2.7.3 抗干扰实验 | 第25-26页 |
| 2.7.4 不同场景实验 | 第26-27页 |
| 2.7.5 与传统方法对比实验 | 第27-28页 |
| 2.7.6 实验结果分析 | 第28-29页 |
| 2.8 本章小结 | 第29-31页 |
| 第三章 基于迁移学习的卷积神经网络的工业烟尘图像分割方法 | 第31-47页 |
| 3.1 基于迁移学习的VGG网络模型的工业烟尘图像分割算法流程 | 第31-32页 |
| 3.2 烟尘分割中的迁移学习VGG网络模型 | 第32-39页 |
| 3.2.1 工业烟尘图像分割中的VGG网络模型结构 | 第33-35页 |
| 3.2.2 卷积层 | 第35-37页 |
| 3.2.3 池化层 | 第37页 |
| 3.2.4 全连接层 | 第37页 |
| 3.2.5 ReLU(Rectified Linear Units) | 第37-38页 |
| 3.2.6 softmax多分类层 | 第38-39页 |
| 3.3 防止过拟合 | 第39-40页 |
| 3.3.1 扩增数据集 | 第39页 |
| 3.3.2 Dropout | 第39-40页 |
| 3.4 实验与结果分析 | 第40-46页 |
| 3.4.1 实验平台 | 第40页 |
| 3.4.2 数据集的制作 | 第40-42页 |
| 3.4.3 模型训练 | 第42-43页 |
| 3.4.4 实验结果 | 第43-46页 |
| 3.4.5 实验结果分析 | 第46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于全卷积网络的工业烟尘图像分割方法 | 第47-59页 |
| 4.1 基于全卷积网络的工业烟尘图像分割算法流程 | 第47-48页 |
| 4.2 工业烟尘图像分割的全卷积网络 | 第48-52页 |
| 4.2.1 工业烟尘图像分割的全卷积网络模型结构 | 第48-50页 |
| 4.2.2 全连接层转化为卷积层 | 第50页 |
| 4.2.3 反卷积层 | 第50-51页 |
| 4.2.4 跳跃结构 | 第51-52页 |
| 4.3 实验与分析 | 第52-58页 |
| 4.3.1 硬件平台及数据来源 | 第52页 |
| 4.3.2 软件平台 | 第52页 |
| 4.3.3 制作数据集 | 第52-53页 |
| 4.3.4 工业烟尘图像模型训练 | 第53-54页 |
| 4.3.5 实验结果 | 第54-57页 |
| 4.3.6 实验结果分析 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 附录 A：攻读硕士学位期间发表成果 | 第69-71页 |
| 附录 B：攻读硕士学位期间参与科研项目 | 第71页 |
