一、计算机图象识别的HT的改进（论文文献综述）
王嘉翀,吴自银,王明伟,周洁琼,赵荻能,罗孝文[1]（2021）在《海底声学底质分类的ELM-AdaBoost方法》文中认为基于自适应增强算法（AdaBoost）结合极限学习机（ELM）,通过迭代、调整、优化ELM分类器之间的权值,从而构建了具有强鲁棒性、高精度的ELM-AdaBoost强分类器,增强了现有的ELM分类器的稳定性。以珠江口海区侧扫声呐图像为实验数据,对礁石、砂、泥3类典型底质进行分类识别,该方法的平均分类精度超过90%,优于单一ELM分类器的平均分类精度85.95%,也优于LVQ、BP等传统分类器,且在分类所耗时间上也远少于传统分类器。实验结果表明,本文构建的ELM-AdaBoost方法可有效应用于海底声学底质分类,可满足实时底质分类的需求。
王源顺,段迅,吴云[2]（2021）在《一种新的seq2seq的可控图像字幕的生成方法》文中提出针对当前的图像字幕方法只能够用一种黑盒的、从外部难以控制的架构描述图像的问题。创造性地将图像字幕问题转换为seq2seq问题,达到了可控生成图像字幕的效果。设计一个由图像区域构成的实体集合或实体序列作为控制信号,在实体块切换的块哨兵和带视觉哨兵的自适应注意力机制的指导下,将控制信号有规律地输入到双层的长短期记忆网络（long short term memory,LSTM）中,以可控的方式指导模型生成对应的图像字幕;此外,baseline使用cross entropy loss来早停模型的训练,引入强化学习思想来解决训练时的优化目标与评估算法效果时指标不一致的问题,进一步优化模型效果。实验表明:在MSCOCO及Flickr30k数据集上,提出的算法在生成可控图像字幕、字幕质量、多样性上达到了非常好的效果。
贾宁,郑纯军[3]（2021）在《融合图像显着性的声波动方程情感识别模型》文中提出语音情感识别（Speech emotion recognition,SER）是计算机理解人类情感的关键之处,也是人机交互的重要组成部分。当情感语音信号在不同的介质传播时,使用深度学习模型获得的识别精度不高,识别模型的迁移能力不强。为此,设计了一种融合图像显着性和门控循环的声波动方程情感识别（Image saliency gated recurrent acoustic wave equation emotion recognition,ISGR-AWEER）模型,该模型由图像显着性提取和基于门控循环的声波动模型构成。前者模拟注意力机制,用于提取语音中情感表达的有效区域,后者设计了一个声波动情感识别模型,该模型模拟循环神经网络的流程,可以有效提升跨介质下语音情感识别的精度,同时可快速地实现跨介质下的模型迁移。通过实验,在交互情感二元动作捕捉（Interactive emotional dyadic motion capture,IEMOCAP）情感语料库和自建多介质情感语音语料库上验证了当前模型的有效性,与传统的循环神经网络相比,情感识别精度获得了25%的改善,并且具有较强的跨媒介迁移能力。
邱爽[4]（2021）在《图像多粒度指代解析研究》文中认为图像指代解析结合了计算机视觉和自然语言处理的研究内容,是人工智能领域中重要的研究问题,在智能家居、无人驾驶、安全监控以及其他人机交互领域中有广泛的应用价值。图像指代解析问题起源于语言和视觉在日常生活中的紧密联系,由于人们常常仅关注图像中的部分区域,所以需要通过对特定的目标进行指代描述,获取感兴趣的目标位置,实现目标级的指代解析。在对场景理解要求更高的应用中,还需要进一步将位置边框细化至目标轮廓,实现像素级的指代解析。面对实际应用中描述文本的复杂性和视觉场景的多样性,如何准确理解视觉和文本信息,实现精准的多粒度指代解析是亟待解决的关键科学问题。针对现有指代解析方法在目标定位与语义边界区域识别不准确的问题,本文以视觉和文本数据为研究对象,以深度神经网络为基础对多媒体数据进行表征和分析,实现了从目标级到像素级不同粒度的图像指代解析。论文的主要创新性研究成果包括:（1）目标级方面,提出了一种端到端的全局信息嵌入指代检测方法。针对当前单阶段指代检测方法目标定位不准确的问题,考虑到指代描述文本中包含的目标间相对位置关系,利用全局上下文信息建立了目标中心点定位分支,初步预测相应目标位置。同时利用文本与图像目标区域的语义相似性构建跨模态语义一致性过滤器逐步筛选候选区域,从而提升指代检测的准确率。在此基础上,通过设计一个端到端的单阶段指代检测网络,避免了在产生或者存储大量候选框时的时间消耗,大大缩短了目标解析时间。在三个公开数据集上实验结果验证了基于全局信息嵌入的端到端指代检测方法对于指代解析的有效性,其中在UNC数据集上,与基线模型相比Prec@0.5结果从67.59%提升到71.42%。（2）像素级方面,提出了一种基于生成对抗学习的图像指代分割方法。针对目标定位与轮廓细节部分分割困难的问题,设计了一个生成对抗网络约束目标空间与预测结果的分布一致性,把对抗损失作为额外的衡量标准补充传统分割的损失函数,从而促使预测结果与真实结果具有相近的分布。通过这种方式能够充分利用图像中像素间的语义相关性帮助网络感知未定义类别的对象,进而达到优化目标识别与定位的目的。在此基础上,提出细节增强结构,通过融合多分辨率的网络浅层特征增强网络对目标轮廓等细节特征的表征能力,提出语义嵌入结构,将视觉特征与预测的置信图融合作为语义信息的嵌入达到消除语义歧义的目的。在四个公开数据集上实验结果表明,基于生成对抗网络的方法有效地提高了分割结果的精度,其中在Google-Ref数据集上,将基线模型的Overall IoU结果从34.27%提升到41.36%。（3）像素级方面,提出了一种文本引导的多尺度特征融合的图像指代分割方法。针对目标尺度差异造成的小目标与语义边界区域识别困难的问题,考虑到深度神经网络中不同层级的特征对于目标的表征起不同的作用,设计了一个基于文本引导的门控融合网络。该网络采用门函数对于不同尺度的特征进行筛选融合,充分利用不同层级特征中多尺度信息的互补性,获得了同时具有低层细节信息与高维语义信息的数据特征,从特征融合的角度解决小目标和边界区域预测问题,达到优化分割结果的目的。此外,考虑到文本中的指代信息在目标信息筛选时的重要引导作用,把文本特征引入到门控机制中,从而保证目标多尺度特征的有效融合,实现性能的提升。文本引导的多尺度特征融合图像指代分割方法在三个数据集上获得了超越多种先进方法的性能,其中在UNC+数据集上的Overall IoU结果达到了50.43%。（4）像素级方面,提出了一种基于注意力的多层级多模态信息融合的图像指代分割方法。针对目标间复杂关系难以解析的问题,设计了一个多层级的多模态信息融合方法,模拟人类进行指代解析时由局部到全局的渐进方式,并利用文本语义信息指导图像内容的解析。本方法分别从局部和全局两个层级入手,在单词级别和句子级别进行文本与图像特征的交互与融合。具体来说,利用加入注意力机制的conv LSTM网络进行逐个单词与视觉信息的融合,实现文本中的关键成分与图像局部区域的匹配;采用图注意力网络进行全局级别的解析,结合上下文信息对多模态特征图中各像素间关系建模推理,在局部识别的基础上实现全局目标间关系的对应,为后续的分割预测提供更有效的信息。基于注意力的多层级多模态融合图像指代分割方法在UNC数据集上获得62.47%的Overall IoU结果,超越了多种主流方法的性能。
施冬梅,肖锋[5]（2021）在《基于改进长短时记忆网络的驾驶行为检测方法研究》文中研究指明疲劳驾驶和不安全驾驶行为是引起交通事故的主要原因,随着智能交通技术的发展,利用深度学习算法进行驾驶行为检测已成为研究的热点之一。在卷积神经网络和长短时记忆神经网络的基础上,结合注意力机制改进网络结构,提出一种混合双流卷积神经网络算法,空间流通道采用卷积神经网络提取视频图像的空间特征值,以空间金字塔池化代替均值池化,统一了特征图的尺度变换,时间流通道采用SSD算法计算视频序列相邻两帧光流图像,用于人眼等脸部小目标的检测,再进行图像特征融合与分类,在LFW数据集和自建数据集中进行了实验,结果表明本方法的人脸识别和疲劳驾驶的检测准确率分别高于其他方法 1.36和2.58个百分点以上。
高珊[6]（2021）在《基于深度学习的台风强度预测研究》文中研究指明台风是一种体系庞杂的大气运动系统,具有严重的破坏性。目前世界上对台风强度预测还处于一个探索和研究的阶段,随着现代化天气业务和服务需求的变化,对台风监测系统自动化程度要求也随之提高。经过40多年的发展,预测员们正逐步将人工智能应用于台风强度预测,近年来,基于深度学习的卷积神经网络（Convolutional Neural Networks,CNN）正在成为研究的热点,此类对象分类技术也日趋成熟,但在实际操作上依然存在一些缺陷。例如主观性较大、准确度不高、及时性不强等,尤其直接用于台风强度预测时,还需要进行一些改进。本文参考众多国内外相关研究后,分析对比了卷积神经网络、长短期记忆（LONG SHORT-TERM MEMEORY,LSTM）和极限梯度提升（eXtreme Gradient Boosting,XGBoost）模型在台风强度预测中的应用模型特点,并分析它们在台风强度预测应用中的利弊,提出了基于XGBoost模型进行台风强度预测的优化方法,使用2009-2019年风云2号卫星传输的气象数据进行实验,确定了优化模型的相关参数。为验证优化模型的可行性与优越性,设计了优化模型与原模型、CNN模型、LSTM模型的多组对比分析实验,并选取训练数据集以外的代表性台风案例进行了预测实验。实验结果表明,优化模型应用于台风强度的预测是可行的,且在短时临近台风强度预报中,准确率更高、稳定性更好。本文提出的XGBoost优化模型在台风强度预测领域的应用研究,拓展了台风强度预测方式,为深度学习的相关方法在气象领域的应用和发展提供了新思路。
王宇胜[7]（2021）在《基于深度卷积神经网络的航拍目标检测》文中进行了进一步梳理
耿佩[8]（2021）在《滚动轴承套圈缺料和保持架铆合缺陷视觉检测算法研究》文中研究表明滚动轴承是旋转机械常用零部件,其制造缺陷将严重影响后续装配和服役性能。目前,很多中小型企业在深沟球轴承制造时默认其组件（内外圈、滚动体和保持架）是完好的,而对于合套铆合后轴承套圈和保持架的质量仅采用人工目测抽检,这种检测方式对于轴承在装配过程中产生的缺陷易造成漏检。机器视觉作为无接触检测方法被广泛的应用于工业领域。基于此,开展了针对滚动轴承套圈缺料和保持架铆合缺陷的检测算法研究。具体研究方法如下:设计了轴承图像在线采集装置,装置包括自动上料机构、图像采集机构、自动翻转及自动下料机构。该装置可以实现轴承从上料、图像采集、下料的流程化工作,自动翻转机构的设置使装置可在同一工位实现对轴承上下表面图像的采集。针对采集到的轴承图像包含翻转气缸的问题,设计了轴承定位及背景分离算法。首先,对采集到的图像进行滤波操作,利用峰值信噪比（PSNR）和均方误差（MSE）来评价经典滤波算法的效果,依据评价结果选择双边滤波方法;然后,利用形态学重建技术去除轴承表面细节,仅保留图像的轮廓信息,对形态学重建图像进行边缘检测,利用霍夫变换检测边缘图像,获取轴承外圈半径及轴承圆心,最终将轴承的图像从采集装置背景图像中分离出来,实现图像的背景抠除。针对轴承套圈缺料缺陷的检测问题提出了基于连通域检测和卷积神经网络（CNN）的制造缺陷在线识别方法。对于连通域检测方法,首先采用轴承归一化展开算法,将轴承从环形区域展开为矩形区域,通过水平投影法确定轴承内、外圈区域,并在此区域内检测连通域,去除小面积连通域以避免噪声干扰,该方法可以实现缺料缺陷区域的准确标记,将该方法对本文采集到的轴承样本进行识别,准确率为83%;对于卷积神经网络检测方法,轴承缺料缺陷面积小且分布不均,图像特征提取困难,CNN可自动学习样本特征。利用图像处理技术对样本进行扩充,搭建了基于CNN的轴承缺料缺陷判别模型,对模型进行300轮训练,最终模型在训练集上的准确率达到100%,在测试集上的准确率达到97%。针对滚动轴承保持架铆合缺陷提出了基于AdaBoost算法的缺陷检测算法,设计了轴承保持架区域定位分割算法;分别提取了保持架区域图像的方向梯度直方图（HOG）特征及Gabor小波特征作为特征矩阵,针对数据显着不平衡问题,采用了合成少数类过采样技术算法（SMOTE）平衡样本量,为减少特征矩阵维数,利用主成分分析法（PCA）对特征矩阵进行降维,采用AdaBoost集成策略以k近邻、朴素贝叶斯法、线性判别分析为弱分类器对两类特征矩阵进行集成学习,并比较了两类特征结合AdaBoost的分类效果的优劣。结果表明,HOG-AdaBoost的准确率为95.83%,但Gabor-AdaBoost模型的检测效果更优,准确率高达100%,且在精确率、召回率、特异度和F值的评价指标上都优于HOG-AdaBoost模型。
王睿[9]（2021）在《基于时序建模的动态手势识别研究》文中研究说明
李玥[10]（2021）在《基于图像处理的轨道伤痕算法研究》文中研究说明
二、计算机图象识别的HT的改进（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、计算机图象识别的HT的改进（论文提纲范文）
（1）海底声学底质分类的ELM-AdaBoost方法（论文提纲范文）
| 1 引言 |
| 2 极限学习机基本原理 |
| 3 ELM-AdaBoost方法实现 |
| 3.1 声呐数据预处理 |
| 3.2 特征向量提取 |
| (1）对比度 |
| (2）相关系数 |
| (3）能量 |
| (4）熵 |
| (5）均值 |
| (6）标准差 |
| 3.3 ELM-AdaBoost网络构建 |
| 4 实验分析 |
| 4.1 图像处理与特征提取 |
| 4.2 分类结果分析与讨论 |
| 5 结论 |
（2）一种新的seq2seq的可控图像字幕的生成方法（论文提纲范文）
| 1 相关工作 |
| 2 本文工作 |
| 2.1 依存树 |
| 2.2 模型 |
| 2.2.1 块切换门 |
| 2.2.2 带视觉哨兵的自适应注意力机制 |
| 2.2.3 损失函数 |
| 2.3 实现细节 |
| 3 实验 |
| 3.1 数据集 |
| 3.2 评价指标 |
| 3.2.1 BLEUBLEU |
| 3.2.2 Rouge-L |
| 3.2.3Cider |
| 3.2.4 Meteor |
| 3.2.5 Spice |
| 3.3 实验结果 |
| 3.4 实验结果分析 |
| 4 结束语 |
（3）融合图像显着性的声波动方程情感识别模型（论文提纲范文）
| 引言 |
| 1 融合图像显着性和门控循环的声波动情感识别模型 |
| 1.1 ISGR?AWEER模型整体结构 |
| 1.2 显着性音频信号提取 |
| 1.2.1 音频图像重构 |
| 1.2.2 显着性信号提取 |
| 1.3 基于门控循环的声波动模型 |
| 1.3.1 基于波动方程的物理模型 |
| 1.3.2 基于门控循环的声波动模型 |
| 2 实验与结果分析 |
| 2.1 数据集 |
| 2.1.1 多介质情感语音语料库 |
| 2.1.2 IEMOCAP数据集 |
| 2.2 网络参数与评价标准 |
| 2.3 实验设计与结果分析 |
| 2.3.1 声波动情感识别模型有效性实验 |
| 2.3.2 跨介质有效性实验 |
| 3 结束语 |
（4）图像多粒度指代解析研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 图像指代解析问题 |
| 1.2 研究背景及意义 |
| 1.3 研究内容和主要贡献 |
| 1.4 论文组织结构 |
| 2 图像指代解析研究综述 |
| 2.1 目标级图像指代解析 |
| 2.1.1 两阶段图像指代解析方法 |
| 2.1.2 单阶段图像指代解析方法 |
| 2.2 像素级图像指代解析 |
| 2.2.1 基于多模态特征融合的方法 |
| 2.2.2 基于多尺度特征融合的方法 |
| 2.2.3 基于图的方法 |
| 2.3 图像指代解析任务的性能评价指标 |
| 2.4 图像指代解析任务的相关数据集 |
| 2.5 本章小结 |
| 3 全局信息嵌入的指代检测 |
| 3.1 问题概述 |
| 3.2 方法介绍 |
| 3.2.1 基础网络 |
| 3.2.2 跨模态语义一致性过滤器 |
| 3.2.3 中心点定位指导分支 |
| 3.2.4 注意力增强语言编码器 |
| 3.3 实验分析 |
| 3.3.1 实验设置 |
| 3.3.2 注意力增强语言编码器分析 |
| 3.3.3 跨模态语义一致性过滤器 |
| 3.3.4 中心点指导分支 |
| 3.3.5 预测时间分析 |
| 3.3.6 参数设置 |
| 3.3.7 与现有方法的对比分析 |
| 3.4 小结 |
| 4 基于生成对抗学习的图像指代分割 |
| 4.1 问题概述 |
| 4.2 方法介绍 |
| 4.2.1 基于LSTM的指代描述编码器 |
| 4.2.2 语义指导的指代分割网络 |
| 4.2.3 基于生成对抗网络的框架 |
| 4.3 实验分析 |
| 4.3.1 实验设置 |
| 4.3.2 语义嵌入结构分析 |
| 4.3.3 细节增强结构分析 |
| 4.3.4 生成对抗结构分析 |
| 4.3.5 参数设置 |
| 4.3.6 与现有方法的对比分析 |
| 4.4 小结 |
| 5 文本引导的多尺度特征融合的图像指代分割 |
| 5.1 问题概述 |
| 5.2 方法介绍 |
| 5.2.1 基于级联金字塔的多尺度特征融合结构 |
| 5.2.2 文本引导的门控机制特征融合结构 |
| 5.2.3 文本信息嵌入的图像特征 |
| 5.3 实验分析 |
| 5.3.1 实验设置 |
| 5.3.2 消融实验 |
| 5.3.3 通用性分析 |
| 5.3.4 与现有方法的对比分析 |
| 5.4 小结 |
| 6 多层级多模态融合的图像指代分割 |
| 6.1 问题概述 |
| 6.2 方法介绍 |
| 6.2.1 基于卷积LSTM的局部多模态信息融合 |
| 6.2.2 基于图注意力网络的全局多模态特征融合 |
| 6.2.3 多模态特征的定位与分割 |
| 6.3 实验分析 |
| 6.3.1 实验设置 |
| 6.3.2 消融实验 |
| 6.3.3 不同长度指代描述的实验对比 |
| 6.3.4 与现有方法的对比分析 |
| 6.4 小结 |
| 7 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于改进长短时记忆网络的驾驶行为检测方法研究（论文提纲范文）
| 前言 |
| 1 长短时记忆网络 |
| 1.1 改进LSTM网络结构 |
| 1.2 双流通道AM-LSTM网络结构算法 |
| 2 疲劳驾驶行为检测 |
| 3 实验结果分析 |
| 3.1 疲劳状态判断参数实验 |
| 3.2 LFW数据集实验 |
| 3.3 自建驾驶数据集实验 |
| 4 结论 |
（6）基于深度学习的台风强度预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1.研究背景及意义 |
| 1.1.1.研究背景 |
| 1.1.2.研究意义 |
| 1.2.国内外研究现状 |
| 1.2.1.台风强度预测研究现状 |
| 1.3.本文主要工作 |
| 1.4.本文组织架构 |
| 第二章 相关理论 |
| 2.1.台风相关背景知识 |
| 2.1.1.台风简介 |
| 2.1.2.台风等级的划分 |
| 2.1.3.台风强度预测方式 |
| 2.2.相关理论介绍 |
| 2.2.1.卷积神经网络(CNN) |
| 2.2.2.长短期记忆(LSTM)模型 |
| 2.2.3.极限梯度提升(XGBoost)模型 |
| 2.3.本章小结 |
| 第三章 数据处理及特征选择 |
| 3.1.数据预处理 |
| 3.1.1 数据来源 |
| 3.1.2 数据预处理 |
| 3.2.特征提取 |
| 3.3.特征选择 |
| 3.4.本章小结 |
| 第四章 台风强度预测模型优化 |
| 4.1.平台配置 |
| 4.2.模型说明及优化 |
| 4.2.1 CNN台风预测模型 |
| 4.2.2 LSTM台风预测模型 |
| 4.2.3 基于XGBoost的台风强度预测模型 |
| 4.2.4 优化思路 |
| 4.3.模型参数调整 |
| 4.4.本章小结 |
| 第五章 模型对比 |
| 5.1.评估方式 |
| 5.2.优化前后对比 |
| 5.3.不同模型预测对比 |
| 5.4.个案验证 |
| 5.4.1 台风“黑格比(Hagupit)” |
| 5.4.2 台风“美莎克(Maysak)” |
| 5.4.3 台风“海神(Haishen)” |
| 5.4.4 台风“天鹅(Goni)” |
| 5.5.本章小结 |
| 第六章 总结与展望 |
| 6.1 本文主要工作 |
| 6.2 存在不足 |
| 6.3 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（8）滚动轴承套圈缺料和保持架铆合缺陷视觉检测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 研究背景及目的 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.2 轴承缺陷机器视觉检测技术国内外研究进展 |
| 1.3 主要工作及内容安排 |
| 1.3.1 本文主要工作 |
| 1.3.2 各章节内容安排 |
| 1.4 本章小结 |
| 第二章 轴承图像在线采集平台设计 |
| 2.1 轴承图像在线采集平台设计原则 |
| 2.1.1 滚动轴承基本结构及常见缺陷 |
| 2.1.2 轴承图像在线采集平台需求分析 |
| 2.2 轴承图像在线采集平台结构设计 |
| 2.2.1 整体结构分析 |
| 2.2.2 图像采集装置 |
| 2.2.3 自动上料装置 |
| 2.2.4 轴承自动翻转机构 |
| 2.3 本章小结 |
| 第三章 轴承图像定位和背景分离算法研究 |
| 3.1 图像滤波算法 |
| 3.1.1 图像滤波算法原理 |
| 3.1.2 图像滤波结果及评价 |
| 3.2 基于霍夫变换的轴承定位分割算法 |
| 3.2.1 轴承图像形态学处理 |
| 3.2.2 霍夫变换检测结果分析 |
| 3.3 本章小结 |
| 第四章 轴承套圈缺料缺陷检测算法研究 |
| 4.1 基于连通域检测的轴承缺料缺陷检测算法 |
| 4.1.1 轴承图像展开算法 |
| 4.1.2 连通域检测算法 |
| 4.1.3 实验验证 |
| 4.2 基于卷积神经网络的轴承缺料缺陷检测算法 |
| 4.2.1 卷积神经网络理论 |
| 4.2.2 模型构建与实验验证 |
| 4.3 本章小结 |
| 第五章 基于AdaBoost的轴承保持架铆合缺陷检测研究 |
| 5.1 轴承保持架铆合缺陷检测算法思路分析 |
| 5.2 轴承保持架区域提取 |
| 5.3 图像特征提取算法 |
| 5.3.1 梯度方向直方图算子理论 |
| 5.3.2 Gabor变换算法理论 |
| 5.4 数据处理及识别算法研究 |
| 5.4.1 不平衡数据处理 |
| 5.4.2 集成学习方法理论 |
| 5.4.3 k近邻算法理论 |
| 5.4.4 线性判别分析算法理论 |
| 5.4.5 朴素贝叶斯算法理论 |
| 5.5 保持架铆合缺陷判别模型建立与评价 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
四、计算机图象识别的HT的改进（论文参考文献）
- [1]海底声学底质分类的ELM-AdaBoost方法[J]. 王嘉翀,吴自银,王明伟,周洁琼,赵荻能,罗孝文. 海洋学报, 2021
- [2]一种新的seq2seq的可控图像字幕的生成方法[J]. 王源顺,段迅,吴云. 计算机应用研究, 2021(11)
- [3]融合图像显着性的声波动方程情感识别模型[J]. 贾宁,郑纯军. 数据采集与处理, 2021(05)
- [4]图像多粒度指代解析研究[D]. 邱爽. 北京交通大学, 2021
- [5]基于改进长短时记忆网络的驾驶行为检测方法研究[J]. 施冬梅,肖锋. 汽车工程, 2021(08)
- [6]基于深度学习的台风强度预测研究[D]. 高珊. 广西大学, 2021(12)
- [7]基于深度卷积神经网络的航拍目标检测[D]. 王宇胜. 南京邮电大学, 2021
- [8]滚动轴承套圈缺料和保持架铆合缺陷视觉检测算法研究[D]. 耿佩. 华东交通大学, 2021(01)
- [9]基于时序建模的动态手势识别研究[D]. 王睿. 济南大学, 2021
- [10]基于图像处理的轨道伤痕算法研究[D]. 李玥. 哈尔滨工程大学, 2021
标签：轴承; 计算机算法; adaboost算法; 预测模型; 图像融合;