基于深度学习的工业厂区安全帽检测模型研究和系统应用

目录

声明

摘要

第一章绪论

1．1课题背景及意义

1．1．1研究背景

1．1．2研究意义

1．2国内外研究现状

1．2．1目标检测研究现状

1．2．2安全帽视频检测研究现状

1．3研究内容

1．4论文内容安排

第二章深度学习理论

2．1单层感知器

2．1．1单层感知器介绍

2．1．2单层感知器的学习规则

2．2 BP神经网络

2．2．1多层感知器

2．2．2 BP神经网络

2．3卷积神经网络

2．3．1卷积神经网络的基本架构与原理

2．3．2卷积神经网络的优势

2．4深度残差网络

2．5本章小结

第三章Yolov3网络架构

3．1 Yolov3检测原理

3．1．1特征提取网络

3．1．2网络输出特征图

3．2目标框的预测方法

3．3损失函数

3．3．1坐标中心误差

3．3．2宽高坐标误差

3．3．3置信度误差

3．3．4分类误差

3．4 Yolov3网络的后处理

3．4．1坐标后处理

3．4．2IOU

3．4．3 NMS算法流程

3．5本章小结

第四章安全帽检测模型建立与优化

4．1数据集的准备

4．1．1常见的目标检测数据集

4．1．2数据集构建

4．1．3数据标注

4．2优化Yolov3模型

4．2．1 DIOU

4．2．2 Softer NMS

4．2．3数据增强(data-augment)

4．3目标检测模型评价指标

4．4实验结果的分析与讨论

4．4．1网络训练

4．4．2实验分析与结果讨论

4．5本章小节

第五章模型加速与系统部署

5．1模型量化背景

5．1．1模型量化原理

5．1．2 KL散度

5．1．3模型量化原理

5．1．4基于相对熵最小的量化方法

5．1．5模型量化流程

5．2模型量化

5．2．1量化工具介绍

5．2．2模型量化流程

5．2．3量化结果评估

5．3模型部署

5．3．1部署工具介绍

5．3．2系统部署环境

5．3．3系统界面介绍

5．3．4系统处理流程

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

作者与导师简介

附件