声明
第1章 引言
1.1 研究背景及意义
1.2 研究现状
1.2.1 基于传统的机器学习方法的布匹瑕疵检测识别研究现状
1.2.2 基于深度学习方法的布匹瑕疵检测识别研究现状
1.3 本文主要研究内容与章节结构
1.4 本章小结
第2章 图像分类相关理论及技术介绍
2.1 传统的机器学习方法
2.1.1 图像特征提取
2.1.2 图像分类
2.2 深度学习方法
2.2.1 卷积神经网络
2.2.2 ResNet
2.2.3 DenseNet
2.2.4 Inception系列网络
2.3 TensorFlow深度学习框架
2.4 实验所用的评价指标
2.5 本章小结
第3章 布匹瑕疵图像数据集
3.1 布匹瑕疵图像数据集的构建
3.2 布匹瑕疵图像的数据增强
3.2.1 使用常用方法进行数据增强
3.2.2 LBP数据增强
3.3 训练集测试集的划分
3.4 本章小结
第4章 布匹瑕疵检测模型的构建
4.1 基于传统的机器学习方法的布匹瑕疵检测识别
4.1.1 布匹瑕疵特征提取
4.1.2 布匹瑕疵分类
4.2 基于深度学习方法的布匹瑕疵检测识别
4.2.1 实验环境搭建及参数配置
4.2.2 深度学习网络训练过程
4.3 基于SE-Inception v4的布匹瑕疵检测识别模型的构建
4.3.1 SE模块
4.3.2 基于SE-Inception v4的布匹瑕疵检测识别模型的构建
4.4 实验结果及模型性能对比分析
4.4.1 基于机器学习的实验结果及分析
4.4.2 基于深度卷积神经网络的实验结果及模型性能对比分析
4.5 本章小结
第5章 布匹瑕疵检测识别系统的分析与设计方法
5.1 可行性分析
5.1.1 技术可行性分析
5.1.2 经济可行性分析
5.1.3 可行性分析结论
5.2 需求分析
5.2.1 功能需求
5.2.2 性能需求
5.2.3 用例分析
5.3 布匹瑕疵系统架构设计
5.4 布匹瑕疵系统的功能模块设计
5.4.1 客户端模块设计
5.4.2 管理端模块设计
5.5 布匹瑕疵系统的数据库设计
5.5.1 核心功能ER模型设计
5.5.2 数据库表设计
5.6 本章小结
第6章 布匹瑕疵检测系统的实现与测试
6.1 系统各功能模块详细设计及实现
6.1.1 注册模块
6.1.2 登录模块
6.1.3 图像识别模块
6.1.4 图像检测记录模块
6.1.5 个人中心模块
6.1.6 用户管理模块
6.1.7 模型更新模块
6.2 系统测试
6.2.1 系统客户端测试
6.2.2 系统管理端测试
6.3 本章小结
第7章 总结与展望
7.1 工作总结
7.2 工作展望
致谢
参考文献
攻读学位期间的研究成果
南昌大学;
