| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 本文的结构安排 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 基于TENSORFLOW图像分析的移动端设计 | 第14-26页 |
| 2.1 巡检系统需求分析 | 第14-15页 |
| 2.1.1 系统需求 | 第14页 |
| 2.1.2 移动端需求 | 第14-15页 |
| 2.2 巡检系统的设计 | 第15-19页 |
| 2.2.1 巡检系统结构设计 | 第15-17页 |
| 2.2.2 移动端架构设计 | 第17-19页 |
| 2.3 巡检系统实现方法 | 第19-23页 |
| 2.3.1 图像分类模型的实现 | 第19-22页 |
| 2.3.2 移动端功能模块实现方法 | 第22-23页 |
| 2.4 训练样本的构建方法 | 第23-25页 |
| 2.4.1 训练样本的构建需求 | 第24页 |
| 2.4.2 模糊算法的选择 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 卷积神经网络训练样本的构建 | 第26-40页 |
| 3.1 高斯模糊算法性质介绍 | 第26-27页 |
| 3.2 高斯模糊在制作训练样本中的应用 | 第27-30页 |
| 3.2.1 高斯模糊图像处理步骤 | 第27-29页 |
| 3.2.2 高斯模糊制作训练样本中的问题分析 | 第29-30页 |
| 3.3 模糊度控制算法改进方案 | 第30-36页 |
| 3.3.1 高斯模糊算法参数设置实验 | 第30-34页 |
| 3.3.2 参数改进效果评价 | 第34-36页 |
| 3.4 算法效率及边缘问题优化 | 第36-37页 |
| 3.5 算法实现 | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于TENSORFLOW图像分析的移动端实现 | 第40-58页 |
| 4.1 巡检系统开发环境搭建 | 第40-42页 |
| 4.1.1 TensorFlow训练环境搭建 | 第40-41页 |
| 4.1.2 移动端开发环境搭建 | 第41-42页 |
| 4.2 TENSORFLOW模型的训练及移植 | 第42-44页 |
| 4.2.1 TensorFlow模型训练 | 第42-43页 |
| 4.2.2 模型优化与移植 | 第43-44页 |
| 4.3 前后台通信接口实现 | 第44-46页 |
| 4.4 移动端功能实现 | 第46-54页 |
| 4.4.1 TensorFlow模型调用 | 第46-48页 |
| 4.4.2 移动端功能模块开发 | 第48-54页 |
| 4.5 平台可用性分析 | 第54-57页 |
| 4.5.1 模型验证 | 第54-56页 |
| 4.5.2 移动端验证 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 攻读硕士学位期间取得成果 | 第66页 |