一、模型检测:理论、方法与应用（论文文献综述）
张丁心[1]（2021）在《基于改进型随机共振的超宽带信号检测方法研究》文中认为通信技术快速发展的今天,超宽带技术作为一种新型无线通信技术,在室内短距离定位方面的优势较为突出。与传统通信技术相比,超宽带通信不需要类似于载波这种载体,而是直接将有用信息调制在非正弦的窄带脉冲上,从而实现数据的传输。超宽带信号具有抗多径能力强、发射信号功率谱密度低和定位精度高等多项优势。也正是由于极低的发射功率,使得超宽带信号容易被干扰信号和噪声淹没,所以对超宽带信号的检测具有十分重要的意义。针对上述提到的超宽带信号易被噪声淹没从而不易被检测的问题,本文提出一种基于改进型随机共振的超宽带信号检测方法。该方法是利用噪声能量转移机制,提取和识别淹没在强噪声中的微弱信号,在不破坏待测信号的基础上达到对其有效的检测。论文的主要工作包括:本文首先介绍了超宽带信号的基本脉冲和调制方式,分析了不同参数对信号带宽的影响。运用双稳随机共振模型,在不同噪声环境和噪声强度条件下,对不同调制方式的超宽带信号进行仿真实验。结果表明双稳模型对超宽带信号具有一定的检测能力,且系统参数对检测结果具有很大的影响。因此,结合粒子群优化算法,以归一化互相关系数作为评价指标,结合参数诱导随机共振巾系统参数白适应同步优化的力法,在高斯噪声环境下分别采用单稳模型和新型势阱模型实现了对超宽带信号的街效检测。并与双稳模型的约果进行了对比,分析了不同模型的系统参数对检测结果的影响,结果表明新型势阱模型的检测效果最佳。同时也发现随机共振方法存在对超宽带信号符号问干扰检测不敏感的问题,本文提出随机共振和小波变换联合方法解决了该问题。最后,采用两组实际信号作为研究对象,利用改进型随机共振模型对其进行检测,并与自适应单稳模型和小波变换方法的检测结果进行对比。研究结果表明,改进型随机共振模型对超宽带信号的检测效果更佳,小波变换与随机共振联合模型是对超宽带信号符号问干扰问题的一种新的尝试,为随机共振在实际工程领域的应用拓展了新思路。
王栋梁[2]（2021）在《基于卷积神经网络的绝缘子缺陷检测方法研究》文中指出绝缘子作为输电线路中电气绝缘和机械支撑的重要装置,常年裸露在复杂的自然环境下,极容易发生故障,严重的话将会影响输电线路的安全稳定运行。因此,在电力巡检时要重点监测电气绝缘子的状态。本文为了提高电力巡检的效率,实现无人机航拍图像中绝缘子的智能化检测,引入了深度学习的方法,基于卷积神经网络实现绝缘子的目标定位检测与自爆缺陷检测工作。首先针对航拍绝缘子图像背景复杂、尺度不一的特点对Faster R-CNN进行改进,选用ResNet-101作为特征提取网络增强网络的表征能力,并利用Sotf-NMS对样本进行处理,提高对相邻重叠绝缘子的检测精度,实现了对目标绝缘子的精确检测;然后针对绝缘子串中单片绝缘子目标较小,发生自爆对绝缘子整体特征影响不大的特点,从提高网络模型对于小目标物体检测能力的角度对Faster R-CNN进行改进,选用对提取特征信息利用率更高的DenseNet进行特征提取,将具有强语义信息的高层特征与低层高分辨率特征进行融合,并逐层输入到RPN网络生成不同尺寸大小的候选框以供进一步的分类与回归,同时利用ROI Align来统一 ROI特征区域的大小,避免特征映射过程中候选框偏移造成的误差,实现了对绝缘子自爆缺陷的精确检测;最后将绝缘子目标定位网络与绝缘子缺陷检测网络进行联合检测,实现了绝缘子定位与缺陷检测的端对端输出。由于目前国内外还没有专业的航拍绝缘子数据集,本文将搜集到的相关绝缘子数据通过数据增强来进行样本扩充,并利用开源工具LabelImg对数据进行手工标注,建立了本文研究所用的绝缘子数据集,用于对改进前后网络模型的训练与检测。实验结果表明,绝缘子目标定位网络改进后平均精度达到92.1%,相比于改进前提升了11.9%,绝缘子缺陷检测网络改进后平均精度提升了 28.5%达到93.2%,将两个网络模型进行联合检测,最终检测的准确率达到了 98.6%,并且通过对检测候选框的调节最终检测时间达到338ms,满足了基本的检测需求,验证了本文改进后网络模型的可行性,有效性及鲁棒性。
侯成成[3]（2021）在《输送带纵向撕裂视听检测系统研究》文中提出输送带作为煤矿运输系统中的关键核心装备,在长距离、满负荷、频繁工作过程中极易发生纵向撕裂。输送带纵向撕裂事故一旦发生,会严重影响生产,甚至是造成人员伤害,因此加强对矿用输送带纵向撕裂的实时、可靠检测是极为重要的。针对当前诸多输送带纵向撕裂检测方法存在不足,并考虑煤矿生产现场环境复杂多变的特殊情形,论文将声音检测引入到输送带纵向撕裂检测中,提出一种基于视听信息加权决策融合的输送带纵向撕裂视听检测方法,实现对输送带正常、破损和纵向撕裂状态的分析判断,并设计完成在线实时检测系统平台,形成一套完整的输送带纵向撕裂视听检测技术运行系统。论文首先从矿用输送机现场实际运行情况分析输送带破损和输送带纵向撕裂产生原因,并对采集的输送带正常、破损和纵向撕裂图像进行特征分析,对采集的输送带运行正常声音和异常声音从频谱、波形等多方面进行对比分析。研究输送带纵向撕裂图像检测和声音检测机理,探究输送带纵向撕裂的图像特征和声音特征,并对输送带纵向撕裂视听检测的可行性和视听检测判断理论进行分析。根据输送带纵向撕裂视听信号特征,论文构建了输送带纵向撕裂视听检测模型,研究视听检测实现方法。分别构建输送带检测图像模型、声音模型以及视听决策融合模型。对输送带图像进行处理和连通区域分析,提取区域结构特征,采用K近邻分类器实现基于图像的输送带运行状态判断。在声音检测模型中,提取声音的13维组合特征,采用基于通用背景模型的高斯混合模型方法进行输送带运行声音的训练和识别,实现基于声音的输送带运行状态判断。最后以图像模型和声音模型的检测准确率作为权重,对图像模型和声音模型的检测结果进行加权决策融合分析,最终实现对输送带正常、破损和纵向撕裂的决策判断。论文分模块搭建基于视听信息加权决策融合的输送带纵向撕裂检测系统平台,实现输送带运行的视听信息采集、实时视听信息显示、数据分析、数据管理、系统设置以及控制操作等功能,形成一套较为完整的输送带纵向撕裂检测系统运行方案。同时为验证所提输送带纵向撕裂检测方法的准确性和可靠性,在实验室现有输送机装置上搭建输送带纵向撕裂视听检测的实验系统,模拟现场输送带运行状态,进行数据采集分析。经过分析可以发现:本论文输送带纵向撕裂视听检测系统的平均检测准确率为93.27%,对输送带纵向撕裂识别的精确率为90.82%以上。对比单独使用图像检测方法,视听决策融合检测方法比图像检测方法的精确率至少高11.90%。本研究输送带纵向撕裂视听加权决策融合检测方法可准确可靠获得输送带纵向撕裂发生时的真实多维信息,实现输送带纵向撕裂的精确实时判别,是输送带纵向撕裂在线检测预警系统的关键技术研究。研究成果将会推动煤矿生产安全预警检测理论发展,丰富煤矿安全检测方式,促进煤矿安全检测多元化发展,为煤矿平稳高效生产和安全调度决策提供有力技术保障,具有重要的理论价值和现实意义。
王建烨[4]（2021）在《基于航拍图像的绝缘子故障检测方法研究》文中指出高压输电线路长期暴露在野外,受到自然天气、材料老化以及人为因素的影响极易产生故障,其中绝缘子故障是输电线路中最常见的故障,据统计在电力系出现的故障中绝缘子故障可达50%以上。人工巡检方法是目前输电线路巡检广泛采用的检测手段,但由于高压输电线路工作在山地、河流、森林和草地等比较恶劣的环境中,人工巡检的危险系数高且会耗费大量的人力物力。与人工巡检方式相比,目标检测技术不受人为和外界环境因素的影响,可以实现准确高效的检测。由于绝缘子航拍图像存在光照、拍摄角度、复杂背景等干扰信息,完全利用人工进行检测费时费力,目标检测方法具有一定的自适应性,近些年以被研究人员重点关注,获得了广泛的应用。绝缘子故障检测主要包括两种研究方法:基于人工设计的特征结合机器学习分类器的传统目标检测方法和基于深度学习模型的目标检测方法。本文首先基于人工特征结合机器学习分类器的方法对绝缘子故障进行检测。但人工设计特征需要研究人员具有丰富的先验知识,且只适用于背景干扰小、特定尺寸和特定光照条件等场景,无法准确识别复杂航拍图像中的绝缘子故障,所以针对绝缘子航拍图像中复杂背景环境下的检测精度较低的问题,开展基于传统机器学习模型和深度学习模型的目标检测方法的研究及系统实现,主要研究内容如下:（1）针对人工设计特征结合机器学习分类器的目标检测方法,提出了基于SURF-HSG特征结合多空间信息融合的绝缘子故障检测算法。通过提取绝缘子正样本和背景负样本的特征信息,生成67位SURF-HSG特征向量用于训练SVM分类器。使用SVM分类器提取绝缘子ROI区域,在绝缘子ROI区域内通过融合多个颜色空间中的特征信息分割绝缘子目标,利用图像处理算法检测故障。（2）为了提升绝缘子故障的检测精度和召回率,提出了基于多尺度特征融合的SSD（PL-MFSSD）模型。使用深度可分离卷积操作代替传统卷积操作生成目标预测特征层,使得模型保持较高的检测效率;通过特征层通道融合,将底部特征层的结构信息与顶部特征层的语义信息结合;根据绝缘子和故障的尺度特征修改锚框的尺寸和宽高比;在每个目标预测层中增设残差模块,缓解模型的梯度消失问题,模型显着提高了故障目标的召回率。（3）为了进一步提高模型的检测效率,在PL-MFSSD模型的基础上提出了轻量级特征融合SSD（Mobile Netv2-MFSSD）模型。使用轻量级网络Mobile Netv2代替PL-MFSSD模型的特征提取主干网络VGG16,提高了模型的检测效率;为提高模型对目标特征信息的提取能力,Mobile Netv2-MFSSD模型的目标预测层中保持了SSD模型中的目标预测层结构。Mobile Netv2-MFSSD模型在稍微损失目标精度的基础上显着提升了检测效率。（4）设计基于Linux平台的绝缘子航拍图像故障检测系统。该系统包含系统介绍模块、系统登录模块、单张绝缘子图像检测模块、多张绝缘子图像连续检测模块及检测结果历史查询模块五大模块,具有一定的实用性,基本可以满足绝缘子故障检测的整个操作流程。
董佳琦[5]（2021）在《基于磁致伸缩效应的锚杆锚固检测系统研究》文中进行了进一步梳理随着中国经济的飞速发展,我国正在建设大量的隧道、铁路公路和水利水电等基建工程,此时对支护方法提出了更高的要求,相比于传统支护方法,锚杆锚固支护方法具有工程造价低且支护效果好等优点而被广泛应用到实际工程建设中。锚杆锚固支护效果受环境和施工技术等因素的影响,甚至严重的质量问题会造成安全事故的发生,所以准确检测判断锚杆锚固的支护情况意义非常重大。本文主要研究阵列式换能器对锚杆锚固检测效果的提升,具体工作内容如下:（1）对本课题的研究背景和意义进行论述,根据磁致伸缩导波检测原理和电磁超声换能器机理,建立了多个物理场间能量转换方程,使用MATLAB软件求解相关方程并绘制自由锚杆的导波频散曲线,为电磁超声导波检测技术的研究提供理论基础。（2）通过利用数值模拟和实验分析方法,使用COMSOL有限元仿真软件建立三维自由锚杆检测模型,对阵列式换能器偏置磁场和柔性线圈的结构参数进行研究,包括最优磁路个数和提离距离的选取,柔性线圈簇数和线圈层数的选取。相比于普通套筒式换能器对自由锚杆的质量检测,阵列式换能器有效提高换能器换能效率和缺陷检测精度。（3）针对锚固检测中超声导波发生衰减的问题,使用COMSOL有限元仿真软件建立锚杆锚固基本检测模型,利用数值模拟方法,对阵列式换能器在锚固检测中的应用进行研究,包括对锚固有效长度的检测和锚固缺陷的检测,相比于普通套筒式换能器,阵列式换能器的检测精度高,能较好显示出回波信号的关键特征,可以作为提升接收信号幅值和缺陷辨识度的措施。（4）搭建基于阵列式结构换能器的锚杆锚固质量检测实验平台,针对实验接收结果中出现信号重叠和大量噪声信号等问题,采用频率修正的同步压缩小波变换滤波算法进行降噪处理,对不同长度自由锚杆、含缺陷锚杆和含不同位置缺陷锚固进行检测,实验结果与仿真结果特征基本一致。
张玉莲[6]（2021）在《光学图像海面舰船目标智能检测与识别方法研究》文中指出海上目标智能检测及识别是海战场态势评估和威胁估计的基础,光学遥感图像海面舰船目标智能检测与识别的核心任务是判断图像中是否存在舰船目标,并对舰船目标进行检测、识别和定位,它在渔业管理、海上救援、海域交通监控以及海战场态势感知等领域具有广阔的应用前景。然而,由于航空图像数据量大且易受海面情况、天气条件、光照条件及成像探测器参数等多种因素的影响,海面上存在雾气、海杂波、云层等自然环境的干扰,使得图像画面模糊不清,图像的信噪比很低,海面环境干扰的时变性也给背景噪声的抑制带来困难,环境干扰容易造成舰船目标的虚警和漏检;航空图像的拍摄距离远,目标只占整幅图像的很小部分,识别尺度小、特征少的海面舰船目标存在困难;不同拍摄视角、不同的拍摄距离、不同舰船朝向使得航空图像中的舰船目标存在尺度多变性和旋转多变性,对检测识别结果的准确率有较大影响。论文针对机载光电侦察系统在工作过程中依赖操作手根据显示图像人工判读舰船目标,导致判读速度慢,易受主观因素影响的现状,以提高海面侦察情报处理的智能化水平为目标,围绕光学遥感图像中的舰船目标智能检测与识别问题,开展舰船目标特征提取、特征融合、目标检测识别等关键技术研究,实现对海面舰船目标高精度检测与识别,提高舰船识别概率及准确率,为海上目标态势感知提供依据,本文的主要研究内容如下:1.为了提高遥感图像中舰船目标检测识别的准确率,进行数据预处理方法研究。航空侦察所获得舰船图像数据有限,采用仿射变换改变卫星遥感图像中舰船目标视角,弥补军用场景下航空舰船目标样本不足的问题,提高舰船检测识别的准确率;大气吸收和散射影响光学系统获取的遥感图像的对比度和清晰度,采用基于暗通道先验的理论对海面场景下的遥感图像进行大气校正,降低了大气中水汽和颗粒对光线的吸收和散射对遥感图像质量的影响,进一步提高了遥感图像中舰船目标检测识别的准确率。2.为了提高单阶段目标检测器对于舰船目标检测与识别的准确率,提出了一种改进YOLOv3模型的舰船目标检测识别算法,对于舰船目标检测识别中目标尺寸小、尺度变化大的问题,改进了IOU阈值的设计,提高了舰船目标检测的召回率;对于舰船目标在图像中姿态变化大的特点,采用多图像混合数据增强和舰船目标角度均衡分布方法对模型进一步优化,有效地提高了舰船目标检测识别的精度。经过实验验证,该算法对舰船目标的检测识别取得了很好的效果。3.基于卷积特征融合的遥感图像中舰船目标检测识别的网络模型研究。为了提高对多尺度舰船目标检测识别的准确率,设计了卷积特征融合的目标检测识别网络结构,通过卷积神经网络中不同层次特征图的融合,联合了网络深层的语义信息与网络浅层的细粒度信息,并且将多个尺度的融合特征图用于舰船目标检测和识别,提高了对大、中、小不同尺度的舰船检测识别的适应性;进一步结合锚框设计,提高了舰船目标检测识别准确率,尤其增强了遥感图像中远距离拍摄时的小尺度舰船目标的检测识别效果;为了提高模型的实时性,采用剪枝策略对模型进行压缩,降低了模型所需的存储空间,提高了模型的检测速度。综上所述,论文对光学遥感图像海面舰船目标智能检测与识别中存在的难点进行分析,对相关理论进行了研究,基于深度学习的卷积神经网络模型,搭建了适用于海面舰船目标检测识别的深度学习框架,取得了一定的研究成果。论文的研究成果为光学遥感图像中的舰船目标智能检测与识别技术提供了理论基础,具有借鉴意义。
冀炜臻[7]（2021）在《基于机器视觉与Retinex图像增强的脐橙检测方法研究》文中指出机器视觉技术在果实产量估计以及自动采摘机器人检测等应用中有助于减少人工作业量,降低水果种植管理环节中的人力、物力成本,提升果园的智能化、自动化运营水准及经济效益。在深度学习技术的推动下,许多机器视觉的检测模型均能够实现脐橙的检测,但是由于果实和叶片等背景实物的表面会根据不同的太阳照射角而产生各异的镜面反射程度,使检测模型的精度出现了严重的偏差。目前,也有一些研究提出了相应的解决水果检测在户外受到的光照影响,主要分为基于光照校正算法的方法、基于抗光照的智能集成设备的方法以及改进机器视觉检测模型的方法。这些方法虽然在光照条件下能够有效提升水果检测的精度,但是仍然存在着局限性。例如,很多提出的方法是在相对理想的实验环境下验证有效性的,对于实地的检测还需要进一步考究;现有的研究很少考虑到光照的时序变化对果实检测带来的影响;实验中所提出集成化设备的有效性还需要经受实践的考验使其日渐成熟。因此,如何通过理论探索探求更可靠的方法,从而实现在不同光照条件下提升检测模型的精度就是一个亟待解决的关键问题。Retinex是一种以颜色恒常性为理论基础的图像增强方法,它能够根据图像的RGB色彩空间求解出一个或多个增强算子来实现对图像中各个目标原始色彩的加强。目前,该理论已经衍生出五种主要算法,即SSR（single-scale Retinex,SSR）、MSR（multi-scale Retinex,MSR）、MSRCR（multi-scale Retinex with color restoration,MSRCR）、MSRCP（multi-scale Retinex with chromaticity preservation,MSRCP）、Auto MSRCR（auto multi-scale Retinex with color restoration,Auto MSRCR）。本文以脐橙为研究对象,期望通过将Retinex与机器视觉模型相结合的方式来解决自然光照所带来的精度偏差。采用YOLO（you look only once,YOLO）系列中的前沿机器视觉技术对不同观测条件以及Retinex增强的图像样本库进行训练,并根据结果来判定不同模型下的最佳时间窗口以及最适合的增强方法,旨在探索一种当目标检测受到光照影响而精度降低的解决方案。为机器视觉技术在农业、林业的自动化、智能化管理中提供可靠的技术支持。论文的主要工作及取得成果如下:（1）完成了不同观测条件下脐橙图像样本数据集的构建。实地采集了脐橙的图像样本数据,时间段为:10:00-11:00、12:00-13:00、14:00-15:00、16:00-17:00四个观测时间,拍摄视距分别为A（0.5～1.5米）和B（1.5～2.5米）。为增强数据集的多样性,采用4种数据增强方法扩增了样本;（2）基于不同观测条件的脐橙检测。本文首先将使用的机器视觉模型分别在10:00-11:00、12:00-13:00、14:00-15:00、16:00-17:00几个观测时间段下进行试验,并通过精度（Precision）、召回率（Recall）、均值平均精度（mean average precision,m AP）等关键指标结果来评定其检测性能。实验结果表明:在A视距下,模型在10:00-11:00、14:00-15:00和16:00-17:00观测时段具有更好的性能。其中,MSRCR-YOLOv5和MSR-YOLOv5在10:00-11:00得到的结果最佳,m AP值均为0.98。在B视距下,14:00-15:00时段更利于模型的检测,且AMSRCR-YOLOv5在该时段获得了较好的m AP值,达到了0.95。（3）基于综合样本库的脐橙检测。本文在每个时段随机抽取一定图像构成综合样本库进行实验。结果表明Original-YOLOv3模型在YOLOv3的方法中具有最高的m AP值,达到0.75;基于YOLOv4模型的方法均未得到良好的效果;基于YOLOv5的方法中MSRCP-YOLOv5得到最佳的m AP值,达到0.79;（4）模型的敏感性分析。针对常见的阴影遮挡与叶片遮挡的干扰情况,本文通过定量分析和定性分析对上述实验中的性能优异模型进行敏感性评价。结果表明:在阴影遮盖的情况下,基于YOLOv3模型的方法整体上要比基于YOLOv5模型的方法的敏感性更低,其中Original-YOLOv3、SSR-YOLOv3、MSRCP-YOLOv3、AMSARCR-YOLOv3等方法均具备相对较低的敏感性。在叶片遮挡面积超过50%时,部分方法模型会出现漏检,Original-YOLOv3和SSR-YOLOv3的敏感性相对较低。
唐武[8]（2021）在《基于深度学习的户外盲道障碍目标检测与跟踪研究》文中认为视觉是人们感知世界的重要通道,而随着世界人口的增加,全盲或具有视觉障碍的人口数量也在随之增长。视力的缺失不仅从心灵上给他们带来了伤害,更给他们的生活带来了极大不便,特别是在户外出行活动。随着科技的进步和社会的发展,他们也正受到来自各方面的关注,特别是在盲人户外出行导航及避障方面。目前,已有许多导盲设备及避障系统相继被研发,其中多数设备的主要原理就是采用超声波、红外传感器、激光雷达等对障碍物的距离进行探测,并通过震动或蜂鸣等提示盲人障碍物的距离。近些年,随着人工智能第三次热潮的兴起,机器视觉成了主流的研究热点,其应用非常广泛。而在导盲方面的应用,机器视觉主用来识别盲人所处的场景、对障碍物的识别与检测、人脸识别及文字标识的检测等,相较于传统的导盲方法,利用机器视觉技术能给盲人的出行及日常生活带来更大便利。针对利用机器视觉研制的导盲系统中对障碍目标的识别、检测与跟踪问题,本文提出了基于深度学习的户外盲道障碍目标检测与跟踪方法,为导盲系统的研制及盲人导航提供了新的检测模型和方法。本文主要工作和取得成果如下:首先,对盲人出行空间信息需求进行分析,并通过查找相关文献和实际调查将盲道周围常见的障碍要素归为15类,在此基础上进一步建立障碍目标数据集和实例分割数据集并将其分为训练集、测试集和验证集,对数据集的各项指标进行分析。然后,针对建立的障碍数据集,利用YOLO、SSD、Faster R-CNN等系列算法训练障碍物检测模型并针对障碍数据集进行优化改进。在使用YOLOv3算法训练数据时,针对障碍物数据集的特点选用K-means聚类方法生成anchor,提升了模型的平均检测精度。在使用SSD算法训练数据时,为提升其中多尺寸目标检测的精度,通过增加Conv3＿3层和修改先验框的生成比例改进SSD算法,改进后的算法对多尺度目标检测的精度提升较为明显。针对盲道及斑马线的检测与识别,采用Mask R-CNN实例分割的方法建立数据集,使用FPN+Res Net101和FPN+Res Net50训练数据集得到盲道与斑马线实例分割检测模型,该模型能够以较高的精度检测出图像中的盲道和斑马线。最后,结合训练的YOLOv3-Kmeans和YOLOv4障碍检测模型,利用Open CV中深度学习模块对这两种框架下的模型进行解析并建立了目标跟踪模型。在这两种框架下分别输入视频流进行检测与跟踪,通过实验得出,利用目标检测模型对目标进行跟踪能够取得良好的效果。分析两种模型对视频连续帧的跟踪效果得出基于YOLOv3-Kmeans的模型跟踪效果较好,漏检较少。
李瑞[9]（2021）在《小目标害虫图像自动识别与计数研究》文中研究表明我国害虫种类繁多,农作物整个生长周期均有发生,是造成粮食减产的主要因素之一。如何有效提升虫害监测预警能力,对实现粮食增收,减少农药使用,提升农产品质量有着重要意义。当前我国害虫监测工作主要依靠农技人员田间人工调查,存在费时、费力、主观因素强、易出错等问题。虽然基于计算机视觉的害虫图像识别技术得到了快速发展,一定程度上解决了部分问题,但对小目标害虫图像识别,依然存在识别率低、鲁棒性差、模型泛化能力弱等问题,难以实现工程化应用。针对上述问题,本文以深度神经网络技术为理论基础,重点从小目标害虫图像增强、小目标害虫检测与计数以及害虫等级自动计算三方面,开展田间小目标害虫识别与计数系统化研究应用。本论文研究工作依托中科院合肥物质科学研究院智能机械研究所承担的中国科学院STS项目《智慧农业核心技术突破与集成示范》（课题编号:KFJ-STS-ZDTP-057）与全国农技推广中心《农作物病虫害智能采集设备试验方案》完成。具体完成以下四方面研究与应用:1、针对田间小目标害虫图像难以采集、检测模型精度低等问题,提出一种基于小目标害虫的图像增强方法。所提方法可以有效解决卷积神经网络在训练图像规模有限条件下,当害虫目标发生旋转、平移、尺度变化时的特征表示问题。首先,依据害虫图像标注文件,建立图像模板数据集;然后,通过图像预处理方法选择模板图像融合位置;最后,运用图像融合方法将随机选择的模板图像融合到作物图像中,达到扩增小目标害虫数据集的目的。实验结果显示,所提数据增强方法可以提升害虫图像,特别是小目标害虫图像的识别精度与模型的鲁棒性。2、针对田间聚集性小目标害虫识别精度低、鲁棒性差的问题,提出一种基于Coarse-to-Fine网络的小目标害虫识别与计数方法。其核心思想是通过设计粗检测网络（Coarse Network）、细检测网络（Fine Network）和全局检测网络（Global Network）三个分工协作的检测网络来完成小目标害虫识别与计数任务。第一步,生成粗检测网络模型主要负责对害虫聚集区域进行检测;与此同时,生成细检测网络模型完成对聚集区域中目标害虫的检测;最终,将细检测网络的结果融合到一个全局检测网络中,完成害虫数量的自动计算。大量的实验结果表明,所提检测网络模型准确率与鲁棒性均得到有效提升。3、针对高聚集性小目标害虫漏检率高、检测精度差的问题,设计出一种Detect-Density网络的害虫识别与计数方法。与上述方法不同的是,本文巧妙的将密度估计引入到害虫图像检测网络,提出了一种新的小目标害虫图像识别与计数方法。所提方法主要由密度分类网络、目标检测网络与密度估计网络三个部分组成。首先,设计出密度分类网络实现害虫图像密集度的分类,实现低密度与中高密度害虫图像的有效分离;随后,将低密度分布的害虫图像输入到目标检测网络,而将中高密度分布的害虫图像输入到设计的密度估计网络;最后将整个网络的识别与计数结果输出,得到最终害虫数量。本文设计的方法将通用的目标检测与密度图估计方法进行了有效结合,在对高聚集性、小目标害虫进行识别与计数时,实验结果也进一步表明了其有效性。4、在上述研究工作的基础上,将所提小目标害虫识别与计数方法应用到田间害虫调查中,实现害虫等级自动判别。首先,为实现计算机自动识别模型与田间人工调查结果的一致性,制定出田间害虫图像采集标准;随后,应用本文上述算法对田间采集图像中的害虫进行自动识别计数;最后,将计算机识别统计结果与田间人工统计结果进行数据拟合,得到害虫发生等级对应关系,实现害虫发生等级从田间人工调查到计算机自动分析两者的模型对应。大量的田间实验证明,本文所建立的害虫发生等级计算方法与人工判断的发生等级基本一致,目前该技术已在全国进行推广应用。
唐云卿[10]（2021）在《基于深度学习的低照度车辆检测方法研究》文中研究说明自动驾驶技术可以提高驾驶安全性,减少人员伤亡与财产损失。在自动驾驶过程中首先需要对车辆周边的驾驶环境进行感知,其中通过车载相机采集图像是一种重要的感知方式。但在低照度环境下采集的图像的质量容易发生下降,进而会影响自动驾驶的安全性。为此,本文展开了基于深度学习的低照度车辆检测方法的研究,对深度学习低照度车辆检测相关理论展开调研与研究,设计基于深度学习的SEnlighten GAN低照度图像增强模型实现低照度图像增强,设计了基于深度学习的车辆目标检测模型实现了车辆的快速检测,开展车辆目标检测模型实验与分析,本文的具体研究内容如下:（1）对基于卷积神经网络的车辆检测理论、基于深度学习的车辆目标检测理论以及生成对抗网络图像增强理论进行了研究。研究了基于卷积神经网络的车辆检测任务的原理,随后对比了单阶段和两阶段目标检测模式的特点,最后分析了生成对抗网络的特点。（2）设计了S-Enlighten GAN低照度图像增强模型。为了提升低照度环境下采集的图像的质量,针对基于深度学习的图像增强方法容易出现棋盘格效应的问题,设计了自适应滤波网络模块,有效的抑制了棋盘格效应的产生;针对目前图像增强所用的配对数据集获取难度大,人工合成的图像不够真实的问题,构建非配对的低照度图像增强数据集,让S-Enlighten GAN模型学习图像中的光照分布特点,最终有效的实现了低照度图像的增强。最后将本文设计的低照度图像增强方法与其他几种常用的方法进行了比较,证明了S-Enlighten GAN低照度图像增强算法的优越性。（3）设计基于深度学习的车辆目标检测模型。为了在驾驶过程中对车辆进行快速准确的检测,设计了基于深度学习的车辆目标检测模型实现了车辆的检测,针对车辆检测对实时性要求高的特点,设计了结构化与非结构化相结合的模型剪枝策略,提升了模型的检测速度。（4）展开车辆目标检测模型实验与分析。从检测准确性、检测速度以及可视化检测结果三个方面将本文设计的车辆目标检测方法与几种常用方法进行了对比,证明了本文设计的车辆目标检测方法更具优势。实验结果表明本文设计的S-Enlighten GAN低照度图像增强算法以及车辆目标检测方法的有效性。可以改善自动驾驶汽车在夜间采集的图像的质量,提高的感知能力以及驾驶的安全性。
二、模型检测:理论、方法与应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、模型检测:理论、方法与应用（论文提纲范文）
（1）基于改进型随机共振的超宽带信号检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 超宽带通信技术 |
| 1.2.2 随机共振理论 |
| 1.3 本文的主要研究内容 |
| 2 系统模型 |
| 2.1 UWB通信技术 |
| 2.1.1 UWB信号模型 |
| 2.1.2 基本脉冲 |
| 2.1.3 基本调制 |
| 2.2 随机共振模型 |
| 2.2.1 随机共振原理 |
| 2.2.2 双稳态模型 |
| 2.2.3 新型势阱模型 |
| 2.2.4 噪声类型 |
| 2.3 系统测度指标 |
| 2.3.1 系统响应速度 |
| 2.3.2 系统评价指标 |
| 2.4 总结 |
| 3 基于经典双稳随机共振的UWB信号检测方法 |
| 3.1 经典双稳随机共振模型 |
| 3.2 基于经典双稳模型的BPM-UWB信号检测方法 |
| 3.2.1 高斯噪声环境下BPM-UWB信号的检测 |
| 3.2.2 α稳定噪声环境下BPM-UWB信号的检测 |
| 3.3 基于经典双稳模型的PPM-UWB信号检测方法 |
| 3.3.1 α稳定噪声环境下PPM-UWB信号的检测 |
| 3.3.2 高斯噪声环境下PPM-UWB信号的检测 |
| 3.4 仿真结果对比 |
| 3.5 本章小结 |
| 4 基于自适应随机共振的UWB信号的检测方法 |
| 4.1 参数自适应随机共振 |
| 4.2 基于自适应单稳随机共振的UWB波形检测算法 |
| 4.2.1 单稳随机共振模型 |
| 4.2.2 BPM-UWB信号的检测 |
| 4.3 基于自适应新型势阱模型的UWB信号检测算法 |
| 4.3.1 自适应新型势阱模型 |
| 4.3.2 BPM-UWB信号的检测 |
| 4.4 本章小结 |
| 5 基于自适应新型势阱随机共振和小波变换的UWB信号检测算法 |
| 5.1 基于小波变换的UWB信号检测算法 |
| 5.1.1 小波变换去噪的原理 |
| 5.1.2 小波变换去噪实验仿真及结果分析 |
| 5.2 基于自适应新型势阱随机共振与小波变换的UWB信号检测算法 |
| 5.3 实际应用 |
| 5.3.1 信号带宽为10MHz的实际信号 |
| 5.3.2 信号带宽为20MHz的实际信号 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
（2）基于卷积神经网络的绝缘子缺陷检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 绝缘子目标检测研究现状 |
| 1.2.2 绝缘子缺陷检测研究现状 |
| 1.3 本文研究内容及章节安排 |
| 1.3.1 本文主要研究内容 |
| 1.3.2 本文章节安排 |
| 第二章 卷积神经网络理论基础 |
| 2.1 卷积神经网络发展 |
| 2.2 卷积神经网络基本理论 |
| 2.2.1 卷积层 |
| 2.2.2 激活函数 |
| 2.2.3 池化层 |
| 2.2.4 全连接层 |
| 2.2.5 卷积神经网络的优点 |
| 2.3 经典卷积神经网络 |
| 2.3.1 VGGNet |
| 2.3.2 Res Net |
| 2.4 本章小结 |
| 第三章 目标检测理论与数据集建立 |
| 3.1 目标检测算法理论基础 |
| 3.1.1 交并比 |
| 3.1.2 边界框回归 |
| 3.1.3 算法评估标准 |
| 3.2 绝缘子目标检测算法选择 |
| 3.3 Faster R-CNN算法介绍 |
| 3.3.1 Faster R-CNN网络结构 |
| 3.3.2 区域候选网络 |
| 3.3.3 损失函数 |
| 3.4 样本数据集的建立 |
| 3.4.1 数据增强 |
| 3.4.2 样本数据标注 |
| 3.5 本章小结 |
| 第四章 绝缘子目标检测实现 |
| 4.1 引言 |
| 4.2 绝缘子目标检测算法设计与实现 |
| 4.2.1 网络结构优化设计 |
| 4.2.2 样本处理优化设计 |
| 4.2.3 模型训练方法 |
| 4.2.4 实现细节设置 |
| 4.3 实验结果与分析 |
| 4.3.1 实验环境配置 |
| 4.3.2 模型训练 |
| 4.3.3 模型测试对比实验 |
| 4.4 本章小结 |
| 第五章 绝缘子缺陷检测实现 |
| 5.1 引言 |
| 5.2 绝缘子缺陷检测算法设计与实现 |
| 5.2.1 网络结构优化设计 |
| 5.2.2 密集连接卷积网络 |
| 5.2.3 多尺度特征融合 |
| 5.2.4 感兴趣区域池化 |
| 5.2.5 实现细节设置 |
| 5.3 实验结果与分析 |
| 5.3.1 模型训练 |
| 5.3.2 模型测试对比实验 |
| 5.3.3 缺陷检测的端对端实现 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 本文所做工作 |
| 6.2 结论 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（3）输送带纵向撕裂视听检测系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 输送带纵向撕裂国内外研究现状分析 |
| 1.2.1 输送带纵向撕裂研究状况 |
| 1.2.2 当前检测方式存在问题 |
| 1.3 视听融合检测技术的研究现状分析 |
| 1.4 论文研究内容及结构安排 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文结构安排 |
| 第2章 输送带纵向撕裂视听检测理论研究 |
| 2.1 引言 |
| 2.2 输送带纵向撕裂图像检测理论 |
| 2.3 输送带纵向撕裂声音检测理论 |
| 2.4 基于图像和声音的输送带纵向撕裂视听检测理论 |
| 2.5 输送带纵向撕裂视听检测系统模型构建 |
| 2.5.1 输送带纵向撕裂图像检测模型 |
| 2.5.2 输送带纵向撕裂声音检测模型 |
| 2.5.3 输送带纵向撕裂视听检测系统模型 |
| 2.6 本章小结 |
| 第3章 输送带纵向撕裂视听检测算法研究 |
| 3.1 引言 |
| 3.2 输送带纵向撕裂图像检测算法 |
| 3.2.1 输送带图像采集 |
| 3.2.2 输送带图像处理 |
| 3.2.3 输送带图像分析 |
| 3.3 输送带纵向撕裂声音检测算法 |
| 3.3.1 声音采集以及预处理 |
| 3.3.2 声音特征提取 |
| 3.3.3 声音训练 |
| 3.3.4 声音识别 |
| 3.4 输送带纵向撕裂视听检测算法 |
| 3.5 本章小结 |
| 第4章 输送带纵向撕裂视听检测系统实验 |
| 4.1 引言 |
| 4.2 输送带纵向撕裂视听检测系统实现 |
| 4.2.1 数据显示模块和系统操作控制模块 |
| 4.2.2 数据分析模块 |
| 4.2.3 数据管理模块 |
| 4.2.4 信息管理设置模块 |
| 4.3 系统实验及结果分析 |
| 4.3.1 实验方案 |
| 4.3.2 系统实验步骤 |
| 4.3.3 实验结果及分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（4）基于航拍图像的绝缘子故障检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 绝缘子故障检测研究现状 |
| 1.2.1 基于图像处理结合机器学习分类器的目标检测算法 |
| 1.2.2 基于深度学习模型的目标检测算法 |
| 1.3 论文的主研究内容和安排 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 1.4 本章小结 |
| 第二章 目标检测理论基础 |
| 2.1 基于图像处理和机器学习的目标检测 |
| 2.1.1 选定目标ROI区域 |
| 2.1.2 提取目标特征信息 |
| 2.1.3 基于机器学习分类器分类 |
| 2.2 基于深度学习的目标检测 |
| 2.2.1 卷积神经网络 |
| 2.2.2 two-stage网络模型 |
| 2.2.3 one-stage网络模型 |
| 2.3 本章小结 |
| 第三章 基于SURF-HSG特征结合多空间信息融合的故障检测 |
| 3.1 引言 |
| 3.2 基于SURF-HSG特征的绝缘子ROI区域提取 |
| 3.2.1 提取绝缘子SURF-HSG特征 |
| 3.2.2 提取绝缘子ROI区域 |
| 3.2.3 分割绝缘子目标 |
| 3.2.4 故障检测 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 基于多尺度特征融合SSD模型的故障检测 |
| 4.1 引言 |
| 4.2 数据集 |
| 4.2.1 常用目标检测数据集 |
| 4.2.2 绝缘子故障检测数据集 |
| 4.3 多尺度特征融合SSD检测模型 |
| 4.3.1 更改目标预测层结构 |
| 4.3.2 目标预测层多尺度通道融合 |
| 4.3.3 主干网络跳层连接 |
| 4.3.4 残差网络 |
| 4.3.5 PL-MFSSD模型损失函数 |
| 4.4 实验结果及分析 |
| 4.4.1 模型性能评价指标 |
| 4.4.2 模型训练 |
| 4.4.3 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于轻量级特征融合SSD模型的故障检测 |
| 5.1 引言 |
| 5.2 轻量级特征融合SSD检测模型 |
| 5.2.1 Mobile Netv2 轻量级特征提取主干网络 |
| 5.2.2 特征层通道融合 |
| 5.2.3 更改锚框尺寸和宽高比 |
| 5.3 实验结果及分析 |
| 5.3.1 训练过程 |
| 5.3.2 实验结果及分析 |
| 5.4 本章小结 |
| 第六章 基于航拍图像的绝缘子故障检测系统的设计与实现 |
| 6.1 引言 |
| 6.2 功能需求分析 |
| 6.3 系统详细设计方案 |
| 6.4 系统具体实现 |
| 6.4.1 开发环境 |
| 6.4.2 图像预处理 |
| 6.4.3 系统界面设计 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）基于磁致伸缩效应的锚杆锚固检测系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 锚杆锚固检测技术研究现状 |
| 1.2.1 磁致伸缩导波研究现状 |
| 1.2.2 超声导波锚固检测研究现状 |
| 1.3 论文的主要内容及章节安排 |
| 第二章 磁致伸缩纵向导波检测理论 |
| 2.1 磁致伸缩导波检测原理 |
| 2.2 电磁超声换能器换能机理及控制方程 |
| 2.2.1 电磁场基本控制方程 |
| 2.2.2 永磁偏置磁场方程 |
| 2.2.3 线圈中的电磁场 |
| 2.2.4 耦合关系 |
| 2.2.5 振动动力方程 |
| 2.3 导波检测基本原理 |
| 2.3.1 导波基本概念 |
| 2.3.2 群速度和相速度 |
| 2.3.3 频散曲线的分析 |
| 2.4 本章小结 |
| 第三章 阵列式磁致伸缩换能器参数设计 |
| 3.1 磁致伸缩换能器有限元建模 |
| 3.2 偏置磁场参数影响 |
| 3.2.1 磁路个数对波形的影响 |
| 3.2.2 提离距离对波形的影响 |
| 3.3 柔性线圈参数影响 |
| 3.3.1 柔性线圈结构参数选择 |
| 3.3.2 柔性线圈层数的影响 |
| 3.4 阵列式磁致伸缩换能器性能分析 |
| 3.4.1 完整锚杆的检测 |
| 3.4.2 含缺陷自由锚杆检测 |
| 3.5 本章小结 |
| 第四章 锚杆锚固质量检测仿真分析 |
| 4.1 锚杆锚固系统有限元建模 |
| 4.2 锚杆锚固质量检测特性 |
| 4.2.1 锚固有效长度检测 |
| 4.2.2 锚固缺陷的检测 |
| 4.3 本章小结 |
| 第五章 锚杆锚固检测实验 |
| 5.1 实验平台介绍 |
| 5.2 检测信号的降噪研究 |
| 5.2.1 同步压缩小波变换 |
| 5.2.2 仿真信号分析 |
| 5.2.3 降噪结果对比 |
| 5.3 实验验证 |
| 5.3.1 自由锚杆质量检测 |
| 5.3.2 锚杆锚固质量检测 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在校期间的研究成果及发表的学术论文 |
（6）光学图像海面舰船目标智能检测与识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1 章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 遥感图像舰船目标检测与识别研究现状 |
| 1.2.1 传统舰船检测与识别方法研究现状分析 |
| 1.2.2 基于深度学习的舰船目标检测识别方法研究现状分析 |
| 1.3 遥感图像舰船目标检测识别难点 |
| 1.3.1 复杂环境背景干扰 |
| 1.3.2 舰船目标特性在遥感图像中呈现多变性 |
| 1.4 本文的主要研究内容及章节安排 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 章节安排 |
| 第2 章 光学遥感图像目标检测识别深度学习网络理论 |
| 2.1 引言 |
| 2.2 神经网络的数学模型 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络的结构 |
| 2.3.2 卷积运算和权重共享机制 |
| 2.3.3 池化层和感受野 |
| 2.4 图像处理领域经典网络架构 |
| 2.5 激活函数类型 |
| 2.6 优化算法 |
| 2.6.1 随机梯度下降法 |
| 2.6.2 Nesterov加速梯度下降法 |
| 2.6.3 Adagrad优化器 |
| 2.6.4 RMSprop优化器 |
| 2.6.5 Adam优化器 |
| 2.7 本章小结 |
| 第3 章 海面舰船目标数据集及数据预处理 |
| 3.1 引言 |
| 3.2 海面舰船目标数据集构建 |
| 3.3 数据预处理 |
| 3.3.1 数据增广 |
| 3.3.2 仿射变换 |
| 3.4 大气校正 |
| 3.4.1 大气吸收与散射影响分析 |
| 3.4.2 大气校正模型 |
| 3.4.3 大气校正的实验结果和讨论 |
| 3.5 本章小结 |
| 第4 章 舰船目标检测与识别深度学习框架 |
| 4.1 引言 |
| 4.2 传统基于机器学习的目标检测技术分析 |
| 4.3 基于卷积神经网络的目标检测识别模型 |
| 4.3.1 两阶段目标检测器 |
| 4.3.2 单阶段目标检测器 |
| 4.4 改进YOLOv3 模型的舰船检测识别算法 |
| 4.4.1 舰船目标的IOU阈值选择方法 |
| 4.4.2 图像融合与目标方向均衡分布 |
| 4.4.3 基于迁移学习的改进YOLOv3 舰船目标检测识别算法训练 |
| 4.5 目标检测识别评价指标 |
| 4.6 实验结果及分析 |
| 4.7 本章小结 |
| 第5 章 基于多层卷积特征融合的舰船目标检测识别方法 |
| 5.1 引言 |
| 5.2 网络总体架构设计 |
| 5.3 特征提取网络设计 |
| 5.4 卷积特征融合方法 |
| 5.5 非极大值抑制改进 |
| 5.6 损失函数设计 |
| 5.7 网络模型剪枝设计 |
| 5.8 实验结果及分析 |
| 5.8.1 海面舰船目标数据集上的准确率和召回率分析 |
| 5.8.2 与其他目标检测识别模型的性能比较 |
| 5.8.3 网络模型剪枝分析 |
| 5.8.4 数据预处理效果分析 |
| 5.8.5 不同图像尺度的性能对比 |
| 5.9 本章小结 |
| 第6 章 舰船目标检测识别硬件系统 |
| 6.1 引言 |
| 6.2 硬件平台架构 |
| 6.3 硬件平台舰船目标检测识别方案 |
| 6.4 硬件平台实验结果 |
| 6.5 本章小结 |
| 第7 章 总结与展望 |
| 7.1 论文主要研究工作 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（7）基于机器视觉与Retinex图像增强的脐橙检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 创新点 |
| 1.5 研究技术路线 |
| 1.6 论文章节安排 |
| 第二章 相关理论及样本库的构建 |
| 2.1 机器视觉检测模型 |
| 2.1.1 深度学习概述 |
| 2.1.2 基于深度学习的机器视觉模型 |
| 2.1.3 主要评定指标 |
| 2.2 Retinex增强算法 |
| 2.3 脐橙图像样本库的构建 |
| 2.3.1 数据来源 |
| 2.3.2 样本库的构建 |
| 2.4 实验环境 |
| 2.5 本章小结 |
| 第三章 基于不同观测条件的脐橙检测 |
| 3.1 YOLOv3 的脐橙检测结果与分析 |
| 3.1.1 10:00-11:00 时段 |
| 3.1.2 12:00-13:00 时段 |
| 3.1.3 14:00-15:00 时段 |
| 3.1.4 16:00-17:00 时段 |
| 3.2 YOLOv4 的脐橙检测结果与分析 |
| 3.2.1 10:00-11:00 时段 |
| 3.2.2 12:00-13:00 时段 |
| 3.2.3 14:00-15:00 时段 |
| 3.2.4 16:00-17:00 时段 |
| 3.3 YOLOv5 的脐橙检测结果与分析 |
| 3.3.1 10:00-11:00 时段 |
| 3.3.2 12:00-13:00 时段 |
| 3.3.3 14:00-15:00 时段 |
| 3.3.4 16:00-17:00 时段 |
| 3.4 本章小结 |
| 第四章 基于综合样本库的脐橙检测 |
| 4.1 YOLOv3 模型的脐橙检测结果与分析 |
| 4.2 YOLOv4 模型的脐橙检测结果与分析 |
| 4.3 YOLOv5 模型的脐橙检测结果与分析 |
| 4.4 本章小结 |
| 第五章 问题分析与探讨 |
| 5.1 技术选型分析 |
| 5.2 阴影遮盖敏感性分析 |
| 5.3 叶片遮挡敏感性分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（8）基于深度学习的户外盲道障碍目标检测与跟踪研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 盲人出行障碍检测研究现状 |
| 1.2.2 存在问题 |
| 1.3 研究目标与研究内容 |
| 1.4 研究方法与技术路线 |
| 1.5 创新点 |
| 1.6 章节安排 |
| 第二章 基础理论介绍 |
| 2.1 目标检测简介 |
| 2.2 目标检测评估指标 |
| 2.3 深度学习目标检测算法介绍 |
| 2.3.1 R-CNN系列检测器 |
| 2.3.2 YOLO系列检测器 |
| 2.3.3 SSD检测器 |
| 2.3.4 Mask RCNN实例分割 |
| 2.4 目标跟踪及OpenCV |
| 2.5 DNN |
| 2.6 本章小结 |
| 第三章 需求分析与数据集的建立 |
| 3.1 盲人出行需求分析 |
| 3.2 目标检测障碍数据集的建立 |
| 3.2.1 障碍分类 |
| 3.2.2 样本采集 |
| 3.2.3 样本标注 |
| 3.2.4 样本数据集划分 |
| 3.2.5 分辨率分析 |
| 3.3 实例分割数据集 |
| 3.4 本章小结 |
| 第四章 户外盲道障碍目标的检测与跟踪模型 |
| 4.1 障碍检测模型 |
| 4.1.1 YOLO训练障碍数据集 |
| 4.1.2 SSD训练障碍数据集 |
| 4.1.3 Faster R-CNN训练障碍数据集 |
| 4.2 实例分割模型 |
| 4.3 目标跟踪模型 |
| 4.3.1 基于darknet框架的目标跟踪 |
| 4.3.2 基于Tensor Flow框架的目标跟踪 |
| 4.4 本章小结 |
| 第五章 实验验证与结果分析 |
| 5.1 障碍检测模型验证与分析 |
| 5.2 实例分割模型验证与分析 |
| 5.3 目标跟踪模型验证与分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（9）小目标害虫图像自动识别与计数研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 害虫自动识别与计数方法 |
| 1.2.2 虫害识别与计数在农业领域的应用 |
| 1.3 面临问题与挑战 |
| 1.4 主要创新点 |
| 1.5 论文组织结构 |
| 第2章 基础理论与相关工作 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积层 |
| 2.1.2 激活函数 |
| 2.1.3 池化层 |
| 2.1.4 归一化层 |
| 2.1.5 损失函数 |
| 2.1.6 优化器 |
| 2.2 目标检测技术 |
| 2.2.1 骨干网络 |
| 2.2.2 目标检测技术常用概念 |
| 2.2.3 单阶段目标检测技术 |
| 2.2.4 两阶段目标检测技术 |
| 2.2.5 评估标准 |
| 2.3 基于密度图的目标检测技术 |
| 2.3.1 目标密度图 |
| 2.3.2 密度估计方法 |
| 2.3.3 评估标准 |
| 2.4 本章小结 |
| 第3章 小目标害虫的图像增强方法 |
| 3.1 小目标害虫图像数据集 |
| 3.1.1 数据采集设备 |
| 3.1.2 小目标害虫数据集 |
| 3.2 研究动机 |
| 3.3 数据增强策略 |
| 3.3.1 模板数据集 |
| 3.3.2 颜色迁移 |
| 3.3.3 图像预处理 |
| 3.3.4 图像融合 |
| 3.4 试验结果及分析 |
| 3.4.1 实验参数设置 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 基于Coarse-to-Fine网络的害虫识别与计数 |
| 4.1 研究动机 |
| 4.2 Coarse-to-Fine网络 |
| 4.2.1 粗检测网络 |
| 4.2.2 细检测网络 |
| 4.3 实验结果及分析 |
| 4.3.1 实验参数设置 |
| 4.3.2 Coarse-to-Fine实验结果与分析 |
| 4.3.3 在不同作物的表现 |
| 4.3.4 其他数据集实验结果 |
| 4.4 本章小结 |
| 第5章 基于Detect-Density网络的害虫识别计数 |
| 5.1 研究动机 |
| 5.2 害虫密度图 |
| 5.2.1 数据集处理 |
| 5.2.2 害虫密度图生成 |
| 5.3 Detect-Density网络 |
| 5.3.1 害虫密集度分类 |
| 5.3.2 密度估计网络 |
| 5.4 实验结果及分析 |
| 5.4.1 实验参数设置 |
| 5.4.2 不同方法实验对比 |
| 5.4.3 不同密集度的实验结果 |
| 5.5 本章小结 |
| 第6章 小目标害虫识别与计数研究应用 |
| 6.1 引言 |
| 6.2 害虫图像数据采集标准 |
| 6.2.1 蚜虫采集标准 |
| 6.2.2 稻飞虱采集标准 |
| 6.2.3 麦蜘蛛采集标准 |
| 6.3 人机等级拟合方法 |
| 6.4 验证结果及分析 |
| 6.4.1 蚜虫验证结果 |
| 6.4.2 麦蜘蛛验证结果 |
| 6.4.3 稻飞虱验证结果 |
| 6.4.4 计算机模型结果 |
| 6.4.5 技术推广 |
| 6.5 本章小结 |
| 第7章 全文总结与展望 |
| 7.1 本文研究内容总结 |
| 7.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（10）基于深度学习的低照度车辆检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 自动驾驶研究现状 |
| 1.2.2 低照度图像增强研究现状 |
| 1.2.3 车辆检测研究现状 |
| 1.3 本文研究内容 |
| 第二章 基于深度学习的低照度车辆检测相关理论 |
| 2.1 基于卷积神经网络的车辆检测理论 |
| 2.2 基于深度学习的车辆目标检测理论 |
| 2.2.1 两阶段目标检测方法 |
| 2.2.2 单阶段目标检测方法 |
| 2.3 生成对抗网络图像增强理论 |
| 2.4 本章小结 |
| 第三章 基于深度学习的低照度图像增强方法 |
| 3.1 低照度图像增强问题描述 |
| 3.2 S-EnlightenGAN低照度图像增强模型 |
| 3.2.1 增强图像生成网络结构 |
| 3.2.2 增强图像鉴别网络结构 |
| 3.3 低照度图像增强数据集 |
| 3.4 低照度图像增强损失函数 |
| 3.5 模型训练 |
| 3.6 实验与分析 |
| 3.6.1 算法性能评价指标 |
| 3.6.2 对比实验 |
| 3.7 本章小结 |
| 第四章 基于深度学习的车辆目标检测方法 |
| 4.1 车辆目标检测模型结构 |
| 4.1.1 车辆数据增强模块 |
| 4.1.2 车辆特征提取模块 |
| 4.1.3 车辆特征增强模块 |
| 4.1.4 车辆识别与定位模块 |
| 4.2 车辆目标检测模型压缩方法 |
| 4.2.1 常用模型压缩方法 |
| 4.2.2 车辆目标检测模型剪枝 |
| 4.3 车辆目标检测数据集 |
| 4.4 损失函数 |
| 4.5 模型训练 |
| 4.6 本章小结 |
| 第五章 车辆目标检测模型实验与分析 |
| 5.1 车辆目标检测模型评价指标 |
| 5.2 车辆目标检测模型优化 |
| 5.3 对比试验 |
| 5.4 检测效果可视化 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
四、模型检测:理论、方法与应用（论文参考文献）
- [1]基于改进型随机共振的超宽带信号检测方法研究[D]. 张丁心. 西安理工大学, 2021(01)
- [2]基于卷积神经网络的绝缘子缺陷检测方法研究[D]. 王栋梁. 西安石油大学, 2021(09)
- [3]输送带纵向撕裂视听检测系统研究[D]. 侯成成. 太原理工大学, 2021(01)
- [4]基于航拍图像的绝缘子故障检测方法研究[D]. 王建烨. 太原理工大学, 2021(01)
- [5]基于磁致伸缩效应的锚杆锚固检测系统研究[D]. 董佳琦. 石家庄铁道大学, 2021
- [6]光学图像海面舰船目标智能检测与识别方法研究[D]. 张玉莲. 中国科学院大学(中国科学院长春光学精密机械与物理研究所), 2021(08)
- [7]基于机器视觉与Retinex图像增强的脐橙检测方法研究[D]. 冀炜臻. 江西理工大学, 2021(01)
- [8]基于深度学习的户外盲道障碍目标检测与跟踪研究[D]. 唐武. 江西理工大学, 2021(01)
- [9]小目标害虫图像自动识别与计数研究[D]. 李瑞. 中国科学技术大学, 2021
- [10]基于深度学习的低照度车辆检测方法研究[D]. 唐云卿. 东华大学, 2021(01)