声明
致谢
图清单
表清单
变量注释表
1 绪论
1.1研究背景及意义(Research Background and Significance)
1.2.1 皮带防护及非煤异物检测
1.2.2 机器视觉目标检测
1.3研究内容(Research Contents)
1.4本文结构(Thesis Structure)
2 图像处理与机器视觉
2.1图像基础特征(Image Basic Feature)
2.1.1 颜色特征
2.1.2 纹理特征
2.1.3 形状特征
2.1.4 空间关系特征
2.2卷积神经网络(Convolutional Neural Network)
2.2.1 卷积层
2.2.2 池化层
2.2.3 激活函数
2.2.4 深度卷积神经网络
2.3 深度学习目标检测模型( Object Detection Based on Deep Learning)
2.3.1R-CNN与Fast R-CNN
2.3.2 Faster-RCNN
2.4 本章小结(Chapter Summary)
3 基于Retinex的井下图像增强
3.1.1 Retinex理论基础
3.1.2 基于路径的Retinex算法
3.1.3 基于中心环绕的Retinex算法
3.2 基于Retinex的井下图像增强(Downhole Image Enhancement Basedon Retinex)
3.2.1 导向图滤波及照度分量提取
3.2.2 照度分量均匀化调整
3.2.3 图像对比度增强及分量融合
3.3实验结果分析(Analysis of Results)
3.4本章小结(Chapter Summary)
4 双向特征金字塔网络
4.1多尺度目标检测研究概述(Overview of Multi-Scale Object Detection Research)
1. 利用卷积神经网络最后一层的输出特征
2. 图像金字塔
3. 基于SSD的多层特征融合
4. 基于FPN的多层特征融合检测
4.2双向特征金字塔网络(Double-Sided Feature Pyramid Networks)
4.2.1 DSFPN及其在RPN中的实现
4.2.2 DSFPN在Fast-RCNN中的实现
4.3.1 实验数据集
4.3.2 实验结果分析
4.4本章小结(Chapter Summary)
5 联合IoU和特征差异性分析的候选框筛选
5.1Faster-RCNN中的候选框筛选(Proposal Box Selectin Faster-RCNN)
5.1.1 非极大值抑制
5.1.2 NMS的局限性
5.2联合IoU和特征差异分析的候选框筛选(Proposal Box Select by IoU and Feature Difference)
5.2.1 特征相似性度量及交并比
5.2.2 联合IoU和特征差异分析的候选框筛选方法
5.3实验设置及结果分析(Experimen and Results Analysis)
5.4本章小结(Chapter Summary)
6 总结与展望
6.1 总结(Conclusions)
6.2 展望(Prospects)
参考文献
作者简历
学位论文原创性声明
学位论文数据集