基于深度学习的核辐射环境下核废料图像目标检测研究

目录

声明

1 绪论

1.1 研究背景及意义

1.2.1 国内外核应急机器人研究现状及未来发展趋势

1.2.2 核废料储存和核废料图像目标检测发展现状

1.2.3 深度学习发展现状

1.3.1 研究内容

1.3.2 总体结构

1.4本章小结

2数据预处理

2.1 核废料图像采集

2.2 核废料图像预处理

2.2.1 核废料图像噪声和滤波算法选择

2.2.2 直方图均衡化

2.3 核废料图像数据增强

2.3.1 基于生成对抗网络的核废料图像扩充

2.3.2 基于图像处理技术的核废料图像增强

2.4 核废料图像样本标注

2.5 本章小结

3基于深度学习目标检测模型的核废料图像目标检测研究

3.1 卷积神经网络基本结构

3.1.1 卷积层

3.1.2 池化层

3.1.3 全连接层

3.1.4 激活函数层

3.2 Faster R-CNN目标检测模型

3.3 基于 RetinaNet 模型的核废料图像检测研究

3.3.1 RetinaNet

3.3.2 RetinaNet模型核废料图像检测实验分析

3.4 基于 YOLO V3 模型的核废料图像检测研究

3.4.1 YOLO

3.4.2 YOLO V3

3.4.3 YOLO V3 模型核废料图像检测实验分析

3.5 基于 Tiny-yolo v3 模型的核废料图像检测研究

3.5.1 Tiny-yolo v3

3.5.2 Tiny-yolo v3 模型核废料图像检测实验分析

3.6 基于 SSD模型的核废料图像检测研究

3.6.1 SSD

3.6.2 SSD模型核废料图像检测实验分析

3.7 本章小结

4 融合MobileNet V2 的轻量级SSD核废料图像检测模型

4.1 轻量级 MobileNet网络

4.1.1 轻量级网络

4.1.2 MobileNet V1

4.1.3 MobileNet V2

4.2 MobileNet V2-SSD核废料图像检测实验分析与测试

4.2.1 改进模型的实验分析

4.2.2检测系统测试

4.3 本章小结

5 总结与展望

5.1 总结

5.2 展望

参考文献

致 谢

攻读硕士期间取得的研究成果