一、一种细胞神经网络图像滤波方法（论文文献综述）
耿佩[1]（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》文中认为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。
关哲[2]（2021）在《基于机器视觉和深度学习的汽车仪表瑕疵检测技术研究》文中研究指明随着互联网技术和电子信息技术的飞速发展,新型的全液晶汽车仪表逐渐应用于汽车座舱,相较于传统的机械式汽车仪表,这种新型的全液晶汽车仪表因为其本身的生产工艺以及对产品精度要求的提高,对检测提出了更高的要求。如何精准高效地检测汽车仪表瑕疵并对瑕疵进行准确分类是目前汽车仪表检测领域一个亟待解决的问题。现如今的汽车仪表瑕疵检测以人工目测检测分类为主,这种方式受人为主观影响较大,不仅效率较低,实时性以及准确性也无法得到保证。针对目前所存在的问题,本文提出了基于机器视觉结合深度学习的汽车仪表瑕疵检测方法,主要的研究内容如下:（1）首先设计并搭建了了汽车仪表瑕疵检测系统,根据汽车仪表的瑕疵类别以及系统的需求分析,完成了整个系统平台的设计搭建,包括硬件平台的设计以及硬件设备选型。（2）利用搭建好的系统平台对待测的汽车仪表图像进行采集,并对采集到的原始图像进行图像预处理,包括图像灰度化处理,图像滤波处理以及图像锐化处理,以便得到质量较好且干扰信息较少的汽车仪表图像。（3）研究分析了卷积神经网络的结构以及网络的训练过程和参数指标,对VGG19以及Inception-V4两种应用较为广泛的传统卷积神经网络进行了结构和特点分析,利用预处理后的汽车仪表图像建立汽车仪表瑕疵图像样本集对这两种网络进行训练,并对两种网络的训练结果进行分析。（4）针对两种传统网络所存在的收敛性以及网络性能的问题,设计了一种基于改进的Inception-V4网络模型的瑕疵识别分类算法,利用样本集对本文所提出的改进的Inception-V4网络行训练,并与两种传统网络的训练结果进行实验对比。通过训练过程的训练曲线以及利用测试集实验验证对比分析可知,本文所提出的方法不仅性能更好,速度更快,收敛性也更强,并且在正确率、精准率、召回率、F1 Score上以及检测速度上都有较大程度的提升。（5）通过Labview开发环境、MATLAB的Deep Learning工具箱和Tensor Flow深度学习框架对汽车仪表瑕疵检测软件系统进行开发,通过系统的性能测试,表明本系统对汽车仪表瑕疵检测识别分类的准确率达到了95%,错检率和漏检率都在2.5%以下,有良好的实用效果。
杨征宇[3]（2021）在《基于视觉监测的激光熔覆薄壁件高度预测方法》文中研究表明激光熔覆成形是一种通过粉末熔化沉积来制造或修复金属零件的增材制造技术,这种技术的加工过程存在多种物理量相互影响的现象,导致加工的制件质量难以保证,在加工薄壁件时,易出现高度不稳定的情况。为了保证激光熔覆过程中,薄壁件高度稳定增加,从而获得较好的成形的薄壁件,利用旁轴熔池图像通过图像处理算法获取当前薄壁件高度,为薄壁件高度预测提供数据支持;基于同轴熔池图像,提出了基于特征提取的LSTM神经网络薄壁件高度预测方法,提出了基于CNN-LSTM神经网络的薄壁件高度预测方法。本文内容概括如下:（1）利用旁轴熔池图像通过图像处理算法实时获取旁轴熔池轮廓,用来拟合薄壁件高度。利用高动态工业相机,配合补光装置,拍摄旁轴薄壁件加工图像,通过相关的图像处理算法提取旁轴熔池图像轮廓,以熔池轨迹图像上表面轮廓作为薄壁件表面轮廓,通过相机标定,计算出薄壁件高度,分析了图像计算高度的误差。（2）提出了一种基于特征提取的LSTM神经网络薄壁件高度预测模型。基于同轴熔池图像提取三个能够表征薄壁件高度变化的特征参数:图像的拉普拉斯算子方差、图像傅里叶变换后低频区域面积和熔池过渡纹理面积,作为LSTM神经网络的输入;输入到训练好的LSTM神经网络中,实现薄壁件高度的预测。（3）提出了一种CNN-LSTM神经网络薄壁件高度预测模型。省去人工提取特征的过程,充分发挥深度神经网络的优势。该模型直接以获取的同轴熔池图像作为输入,输入到LSTM神经网络中,实现薄壁件高度预测。（4）基于LabVIEW和Python开发了激光熔覆薄壁件高度实时监测和预测系统,实现了对薄壁件成形状态的监测,为后续人工调节工艺参数和采用控制系统对激光熔覆系统进行闭环控制提供参考。
陈滢[4]（2021）在《锂电池丝网印刷缺陷视觉检测技术研究》文中认为锂电池表面的丝网印刷质量为重要生产指标之一。基于人工目视的检测效率无法满足印刷企业大批量生产需求,传统机器视觉检测技术不能适应锂电池在传动印刷过程中出现的轻微偏移现象,导致丝网印刷缺陷检测准确率降低。目前,利用深度学习在机器视觉检测技术的优势,是印刷工业体系向智能化发展的重要研究方向。本文主要将锂电池丝网印刷缺陷作为研究对象,以印刷缺陷视觉检测涉及到的图像预处理、图像配准以及缺陷分割为切入点,引入关键算法理论和技术研究。本文主要研究内容如下:（1）预处理部分。针对传统图像滤波算法对边缘信息过度平滑等局限,提出一种基于Do G算子的改进加权导向滤波算法。首先引入Do G算子对导向图像进行边缘检测,接着将其作为边缘感知权值,最后实现导向滤波中惩罚项的自适应调整。实验结果表明,本文算法的标准差、对比度以及信噪比指标均优于传统图像滤波算法。该部分主要研究Do G算子边缘检测与惩罚项的自适应调整,能够保持边缘信息,同时达到较好去噪效果。（2）图像配准部分。针对采集到的锂电池丝网印刷实物图像与模板图像的空间位置存在差异,而AKAZE算法检测到的点特征具有较好的鲁棒性但实时性较低,提出一种改进的AKAZE锂电池丝网印刷图像配准算法。首先结合AKAZE特征检测算法和BEBLID特征描述符实现特征提取,采用暴力匹配法提取候选匹配对,接着利用GMS算法剔除实物图像与模板图像的错误匹配对,最后通过RANSAC算法实现变换模型参数估计与采取双线性插值以完成配准。该方法研究不同特征提取和特征匹配算法在锂电池丝网印刷图像配准中的性能,与传统配准算法对比,平均配准时间达到0.757秒,平均匹配准确率提高6.42%,定位误差均控制在0.8个像素以内。（3）缺陷分割部分。针对锂电池丝网印刷图像缺陷具有复杂多样且部分缺陷对比度较低等不足,提出一种基于双通道改进U-Net分割网络的缺陷检测方法。首先以标准文件作为模板图像,将其与实物图像作为网络的输入,接着在U-Net网络中引入Dense Net121,有效结合了高级和低级特征信息,最后采取Focal Loss损失函数解决像素类别分布不平衡问题。该方法研究深度学习在锂电池丝网印刷缺陷检测中的分割性能,与变化检测中三种网络模型进行比较,F1-Score能达到0.952,测试阶段的平均分割准确率提高了1%,平均检测时间为0.047秒,对小于0.2mm的印刷缺陷能准确分割。最后对检测算法进行测试和性能评估,其检测准确性能和实时性能均达到工程应用要求。
周平[5]（2021）在《声学后向散射数据的成像关键技术与底质分类研究》文中指出声呐技术的发展为海洋水下环境的监测与目标的探测提供了先进的技术手段。通过其后向散射数据生成的声呐图像现已被广泛地使用来分析和解释海底表层的信息状况。然而,声呐图像存在分辨率较低、目标边缘模糊、低对比度和斑点噪声突出等的问题,这将严重地干扰声呐图像的应用。据此,通过对相关海域的水下信息进行声学数据采集与处理分析,以其后向散射数据生成的声呐图像为研究对象,开展声呐图像处理中的图像校正和增强、条带信息融合、底质沉积物分类等关键技术方面的研究,期望为后续的海底水下调查提供清晰和高对比度的图像信息以及基础应用资料。论文的主要工作及贡献如下:（1）综合地阐述了声学后向散射数据的科学价值及发展问题,分析了其数据处理过程中的各项因素及其对应的改正研究。对声呐图像处理的关键技术研究进行了分类地叙述,并重点介绍了声呐图像的校正与增强、条带信息融合以及底质沉积物分类的研究现状以及目前存在的问题。阐明了本文的研究目标、研究内容以及给出了整体的技术路线。（2）阐述了声学后向散射数据处理的过程以及因素影响分析。对于多波束、侧扫声呐的成像原理以及数据预处理内容进行了区别性地说明。它们的声呐预处理成果图将作为后续关键技术研究的基础。（3）低对比度、高噪声背景下的声呐图像校正与增强算法研究。由于辐射畸变的存在,侧扫声呐图像存在明显的灰度不均衡和边缘偏暗的问题。提出一种结合非下采样的剪切波NSST变换方法、改进型的多尺度Retinex和稀疏字典学习的校正与增强技术。实验结果表明:与所选的其他方法对比,该技术能够有效地提升图像的对比度和削弱噪声的干扰,显示出清晰的目标轮廓和地形纹理信息;灰度统计图反映了连续性增强的灰度值变化特征;各项客观指标体现了在保持图像的对比度、清晰度、平均信息含量以及滤波能力4个方面的优越性能。（4）相邻条带重叠区域的声呐图像信息融合算法研究。在采用侧扫声呐进行水下信息探测时,针对相邻条带重叠区域的信息探测不全或者一侧信息丢失的问题,提出一种结合非下采样的轮廓波NSCT变换、修正型的拉普拉斯能量和滤波方法和改进型的双通道脉冲耦合神经网络模型的条带信息融合技术。实验结果表明:与所选的其他方法对比,该技术有效地消除了块状流的伪轮廓现象和抑制住了高噪声信号的干扰。融合后图像有效地消除不同视场角下所测得的目标侧面阴影,展示出清晰的目标轮廓以及丰富的海底地形地貌起伏特征。多项客观指标获得了最优的指标结果,反映出了图像边缘、清晰度和整体相似度的高质量信息。（5）复杂环境下的声呐图像底质沉积物分类的算法研究。针对多波束声呐图像存在拖影和高噪声斑点等特征,沉积物选取训练样本时容易出现误标记的现象,这些问题都将影响沉积物的分类质量。提出一种堆栈去噪自编码器与改进型的极限学习机相结合的底质分类技术。实验结果表明:与其他的特征提取方法和分类器对比,所提技术能有效地提取沉积物的深层次特征信息,避免残余误差和误标记错误信息对网络的干扰,提高了底质分类的整体预测精度,保证了底质类别分界线的连续性。
周雅兰[6]（2021）在《基于深度学习的电子散斑干涉位移测量研究》文中研究指明在位移变形的非接触测量领域中,电子散斑干涉测量技术作为一种全场光学测量方法,具备较高的精度。然而其相位信息提取步骤复杂,且相位提取质量容易受到噪声的影响,往往需要进行预处理,如数据增强、滤波去噪等。随着深度学习领域的飞速发展,神经网络具备很强的非线性拟合能力,可以获取训练数据中不同样本之间的映射关系,较好的网络模型可以具有较强的鲁棒性。对于许多已有模型或者其他领域无法求解的问题,可以通过深度学习实现一种智能解决方法。因此本文采用深度学习方法对电子散斑干涉技术进行相关研究,可以避开或减少传统模型复杂度及不同学者处理方法对测量结果的影响,主要工作如下。（1）仿真构建了四步相移法散斑干涉图像数据集和相位解包裹图像数据集,采用不同相位分布、添加不同类型和不同等级的随机噪声方法,使数据集更泛化。（2）构建了散斑干涉相位提取深度学习网络,在使用经典U-Net网络基础上增加BN模块,可以有效加快网络训练。训练获得的模型对测试集数据的输出结果与其对应传统四步相移方法计算的真实值进行比对,网络预测结果接近真实值,误差较小,具有良好的一致性。（3）构建了相位解包裹深度学习网络,使用改进并加深U-Net网络框架,并将其与残差网络中的残差单元Residual Block相结合,并设计SSIM损失函数来代替回归网络中常用的均方差损失函数。利用其处理仿真图像和实验图像,并与传统解包裹算法的处理结果进行比对,本文所设计的解包裹网络在解包时间上具有明显的优势,且具有较好的去噪能力。（4）针对大尺寸包裹相图,提出了拼接解包方法,使解包裹网络能够高质量地适应更多种尺寸大小的图像。为了更简单方便的加载网络模型进行图像处理,基于Py Qt5编写了一款处理软件。
王云峰[7]（2021）在《小样本医学电镜微粒图像的标注与分割》文中研究表明扫描电镜图像的实例分割为探究微粒的粒径分布、粒子形态和表面纹理等问题提供了重要的量化信息,有助于如药物输送系统中表型分析等各类生物医学研究的发展。与传统的基于数字图像处理方法相比,深度学习算法的巨大成功使其被广泛应用于医学影像领域并成为热门研究课题。但由于医学图像标注成本过大,人工标注效率过低,获取足量的手工标注作为训练数据变得十分困难。针对特定的医学扫描电子显微镜图像分割任务,图像中微粒重叠、边缘模糊、图像样本少以及图像标注困难等原因使其成为医学视觉领域中极具研究价值和充满挑战的热点问题。本文从扫描电镜微粒图像数据出发,设计基于弱监督的小样本图像标注和分割方法。论文主要工作包括以下三点:1)针对图像数据匮乏、标注困难的问题,本文提出基于蒙特卡洛的域随机化图像合成方法。该方法仅依赖少量的用户输入,即标注出图中单个微粒,结合图像本身的特点将其语义特征抽象成模拟空间中可变的参数,通过随机化参数来合成大量仿真图像及像素标签。考虑到图中微粒的结构化信息,本文设计了三种不同的放置规则,分别是基于物理模型的平面粒子状态模拟,对放置微粒的半径约束和坐标随机化,这三类的方法在降低由于随机化带来的计算量同时,保证了合成图像的仿真程度和多样性。为了验证方法的可行性和有效性,本文采用直方图和感知哈希作为评价指标评估合成图像与对应原始图像的相似性。2)针对原始图像在网络中的分割表现无法直接量化的问题,本文提出基于边缘分割的辅助标记方法。本文主要采取三种标注策略并结合贪心算法的思想使标注效率最大化。首先对电镜图像进行图像滤波和边缘检测方法来提取所有微粒的边缘特征;其次手动筛选生成样本训练一个基于改进的U型边缘分割网络,来处理上一策略中无法准确分割边缘的样本;然后利用上述两个策略的分割结果进行视觉辅助,简化标注流程;接下来,剩下的困难样本能利用人工经验并采用纯手工标注的方式进行处理;最终标注的信息将转化为可用于实例分割网络的图像标签,并用于后文的定量分析。3)针对手工筛选生成图像作为训练集同样过于繁琐的问题,本文提出利用互信息最大化的思想设计无监督的对比学习网络。首先原始图像和生成图像的全局和局部特征经过网络映射到高维表示空间。在高维空间中,通过将特征向量和对应图片的互信息最大化来训练对比网络。然后经过训练的网络会学到每张图像样本的特点,同时优化特征向量在隐空间的表示。最后在高维空间中筛选与原始图像特征最接近的生成图像作为最终的训练集。通过神经网络强大的表征能力,筛选后的训练集应该具有与原始图像接近的特征,用其指导分割网络的训练有利于对原始图像的分割。本文采用的实例分割网络为改进损失函数的Mask R-CNN。最后,为了验证本文算法流程的有效性,本文在标注的数据集上进行对比实验,并探究网络和训练集对分割精度的影响,同时测试模型对不同类型样本的分割表现。结果表明本文提出的算法流程在小样本医学电镜图像的分割任务中达到较好的效果。
代磊超[8]（2021）在《非独立同分布少样本学习算法研究》文中研究表明机器学习在图像处理、自然语言处理、数据挖掘等领域取得了丰硕的成果。传统的机器学习需要做到以下两点:第一,基于同分布假设,要求训练集和测试集数据是建立在同分布的假设基础下,以求达到较高的识别目的;第二,需要大量的标注数据,并且需要经过多次迭代训练过程才能达到较好的学习效果。然而,在某些领域（如信息安全、医学图像等）可能存在标注数据不足、标注数据过期等问题。少样本学习为解决以上问题提供了一种有效的方法,现已成为机器学习领域的研究热点。少样本学习的研究目的是只需要少量的标记样本就能迅速完成训练,建立泛化性能较好的模型。但是,在实际应用中,现有的少样本学习方法仍然存在一些问题。比如,由有限的标记数据训练的算法会造成系统的过拟合问题,从而导致模型鲁棒性较弱;现有的少样本学习方法建立在深度学习的基础上,训练时间较长、迭代任务量巨大;现有模型大多特征提取能力较弱、并且训练时支持样本不足。因此,如何充分利用训练样本,有效提升模型泛化性能是少样本学习亟待解决的问题。本文首先分析了少样本学习国内外研究现状和存在的问题。针对这些问题,提出三种解决方案。本文的主要贡献如下:（1）针对现有的少样本学习算法鲁棒性较差的问题,提出一种基于关系网络的鲁棒性少样本学习方法（Robust few-shot le Arn INg method Based on relati On net Work,RAINBOW）。首先,利用核密度估计和图像滤波方法为训练集添加不同类型随机噪声,形成不同噪声环境下的支持集与查询集。其次,建立并行线程,端到端地训练关系网络形成多个异构的基模型。最后,采用概率投票的方式融合基模型最后Sigmoid层的分类预测结果。实验结果表明,RAINBOW与关系网络及其他主流少样本学习方法的分类效果相比具有更强的鲁棒性（第三章）。（2）针对少样本学习迭代任务量大、训练过程长的问题,提出一种基于原型网络的快速少样本学习方法（FAst few-shot learn Ing method based on p Rotot Ypical networks,FAIRY）。首先,向训练集添加不同类型的噪声,并分成支持集和查询集。其次,多线程并行训练原型网络,提取支持集与查询集图片特征,并根据Bregman散度,计算支持样本的类原型。然后,利用L2范数度量支持与查询样本距离,交叉熵反馈损失修改模型参数,形成多个异构基分类器。最后,采用相对多数投票机制对最后的非线性分类结果进行融合。结果表明,FAIRY具有收敛速度快,分类准确率高的优势（第四章）。（3）针对少样本学习特征提取能力弱、支持样本不足的问题,提出一种基于任务依赖的跨模态自适应少样本学习算法（Cross mod Al ada PTive few-shot le Arn Ing based on Task depe Ndence,CAPTAIN）。首先,通过任务调节网络与辅助协同训练提升了特征提取与任务表征能力。其次,基于视觉和语义两种直觉,将语义表示加入到每次任务中,并且模型可以自适应地结合两种模态。最后,对度量尺度进行了调整,改变了少样本算法参数更新的性质。通过一系列的实验表明,在所有单模态和模态对齐少样本学习方法上,CAPTAIN有效提升特征表达和提取能力,使模型泛化能力更强（第五章）。实验结果表明,在不用的分类任务中,RAINBOW、FAIRY和CAPTAIN比同类型的算法具有更好的分类准确率。
张苏楠[9]（2020）在《生猪异常行为多源监测及其信息融合方法的研究与应用》文中认为畜牧业作为农业的重要组成部分,在国民经济发展中的基础地位不可动摇。综合考量养殖环境、品质及效率等因素,生猪集约化养殖意义重大。目前,现代集约化养猪场已经逐步实现无人值守,对无人值守养猪场中生猪异常行为进行智能监测,是实现安全养殖、高品质养殖和高效养殖的现实需求。本论文运用机器视觉技术、声音识别技术和超声波技术三种监测手段,从多角度对生猪异常行为进行数字化综合监测,最后采用多源信息融合方法对生猪多源多时段异常行为进行融合评价。主要研究内容如下:（1）基于机器视觉的生猪动作异常监测生猪聚散程度与生猪疾病预防、热舒适性密切相关,生猪打斗行为会影响生猪健康状况与福利水平。为了检测复杂环境下圈养生猪的聚散程度与打斗行为,采用机器视觉技术识别生猪过度聚集与打斗行为。针对复杂养殖环境下,传统目标检测方法在生猪个体检测过程中的局限性,提高对紧密接触生猪的检测精度,提出了结合改进多视窗检测方法和单点多盒检测器（Single Shot Multi Box Detector,SSD）的生猪目标检测方法,并定义了生猪离散度以表征生猪聚散程度,通过实验比较,设定合适的离散度阈值,实现生猪过度聚集检测。在生猪打斗行为识别过程中,针对生猪打斗行为特征,提出了结合帧间差分法（Frame Difference,FD）和SSD的运动生猪个体检测方法,可以有效排除环境因素与静止生猪对打斗行为识别的干扰,确定运动生猪位置,最后根据检测到的运动生猪位置信息与运动持续时间,设计了生猪打斗行为判别方法,该方法可以有效地识别圈养生猪的打斗行为,为饲养员判断生猪异常行为提供依据。（2）生猪异常声音的改进多重支持向量数据描述识别方法生猪在身体状况发生变化或外界环境刺激下会发出不同的声音,本论文选择常见的惊骇声与咳嗽声作为生猪异常声音。为了检测并分类生猪惊骇声和咳嗽声,提出了生猪异常声音的多重支持向量数据描述（Multiple Support Vector Data Description,Multi-SVDD）识别方法。针对训练样本标记错误容易导致Multi-SVDD在训练中出现欠拟合,影响识别精度的问题,根据每个训练样本的重要性赋予相应的权重,对Multi-SVDD进行改进,提高模型的容错能力。实验结果表明,改进Multi-SVDD可以有效地识别生猪异常声音,且具有较强的适用性。（3）生猪饮食异常的改进PSO-SVDD判断方法生猪饮食在一定程度上可以表征生猪的健康状况,本论文采用课题组设计的基于超声波的生猪饮食数据采集装置采集生猪饮食数据,以生猪每天的饮食次数与饮食时间数据为基础,提出采用SVDD对生猪饮食异常进行判断。针对SVDD中惩罚因子与核函数参数难以确定的问题,利用粒子群优化（Particle Swarm Optimization,PSO）算法对SVDD参数进行优化。由于生猪饮食异常具有一定的模糊性,传统决策函数进行模糊决策时精度受限,本论文通过构建模糊决策函数对PSO-SVDD进行改进,并利用改进PSO-SVDD模型对生猪饮食异常进行判断。实验结果表明,该方法可以更加准确地判断生猪饮食异常。（4）生猪多源多时段异常行为的灰色证据组合模型融合评价方法由于在生猪异常行为监测过程中,单一的监测手段很难全面、准确地实现生猪异常行为自动监测,因此需要从多角度、利用不同的监测手段进行融合判断。同时,为了避免单一时段异常判断结果的偶然性对异常等级评估造成影响,本论文采用结合灰色聚类评估模型与D-S证据理论的灰色证据组合模型对生猪多源多时段异常行为进行融合评价。针对D-S证据理论融合高冲突证据时无法得到合理结果的问题,引入证据可信度对组合规则进行改进。该方法可以有效地对生猪多源多时段异常行为进行融合评价,为饲养员提供有效的生猪异常信息,提高监测效率。针对集约化养猪场中生猪异常行为智能监测问题,设计了生猪异常行为多源监测系统,通过机器视觉技术、声音识别技术与超声波技术检测不同的异常信息,并对多源异常信息进行融合评价,有助于提高集约化养猪场的工作效率,为生猪行为监测从人工到数字化、智能化的升级转换提供了一定的理论支持和技术保障。
王梦薇[10]（2020）在《基于MATLAB的医学超声图像处理仿真平台设计与研究》文中研究指明随着生活质量的提高和现代医疗科技的发展,科技辅助使人类实现越来越强大的解决能力,医学图像检查技术是当今医疗领域内必不可少的辅助技术。医学超声检查作为病灶初筛的首选,是因为它无创、时间分辨率高且便于实现价格低廉,但超声图像不同于CT、磁共振等图像,它由于其成像原理更加容易受外界环境因素及设备参数等限制条件影响,导致图像不清晰、对比度低、灰度不均匀且组织边界模糊不清等问题。而医疗设备自带的图像处理软件只能满足医生在医疗设备上对图像进行简单处理,并不能提供学术研究平台,并且目前医学图像多为DICOM（Digital Imaging Communications in Medicine）格式,使得现有的一般图像处理软件并不能直接读取处理。因此,开发一套能够读取和改善医学超声图像质量的仿真平台成为病灶研究的切实需求。本文基于MATLAB设计了一套医学超声图像处理仿真平台。该平台具有对DICOM格式图像进行图像增强、图像滤波、图像分割、形态学处理及边缘检测等6个模块38个功能。并创新性的将脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）图像分割纳入平台,利用图像信息熵最大准则确定迭代次数。最后以人体胆囊结石医学超声图像中两类典型的、具代表性的结石病变图像作为实验图像,通过主观评价与客观评价相结合的方式对仿真平台进行测试及算法评价,并总结出了一套适用于人体胆囊结石医学超声图像的处理流程。实验结果表明:（1）图像增强模块:两幅实验图像经平台中图像增强模块处理后,图像的灰度级范围得到了调整,对需要重点观察的结石部位信息进行了加强,不重要的、有影响的信息进行了减弱,很好的解决了超声图像对比度低、灰度不均匀的问题。（2）图像滤波模块:对两幅实验图像分别进行平台中四种不同算法的滤波处理,并将窗口大小统一设置为5×5,利用客观评价指标信噪比（Signal to Noise Ratio,SNR）来验证四种滤波效果的有效性,经测试,实验图像胆固醇结石超声图像的信噪比为7.951dB,经均值滤波、中值滤波、高斯平滑滤波与维纳滤波处理后的信噪比分别提高为12.496dB、18.095dB、23.152dB、28.345dB,表明平台滤波模块能够有效地改善超声图像的清晰度。（3）图像分割模块:利用阈值分割、区域分割以及PCNN分割三种分割算法分别对两幅实验图像的结石部位进行分割,并将结果与医生手工分割图像进行重合配准,结果表明,PCNN分割具有与人脑相似的识别能力,与手工分割重合效果最佳;阈值分割效果相较于PCNN分割,过分割的面积更大一些,但阈值分割算法计算量小,更容易实现;区域分割结石轮廓不够光滑清晰且结石内部也存在过分割现象,但区域分割可以做到定位分割。（4）形态学处理模块:利用该模块中膨胀、腐蚀、开运算和闭运算对区域分割后图像进行处理,将结果与医生手工分割图像进行重合配准,可发现经形态学处理后的区域分割图像填补了过分割的部位,使区域分割在定位分割的同时提高了分割精度。（5）边缘检测模块:对两幅测试图像分别进行Roberts算子、Sobel算子、Prewitt算子、Canny算子和LoG算子的边缘检测,使用Pratt提出的边缘检测算子客观评价量化指标品质因数R作为客观评价标准,利用医生手工分割图像作为主观评价标准,结果表明,五种算子都能做到边缘检测准确,主客观评价相一致。综上所述,经平台处理后的图像拥有更好的可视度,有效提高了原图像的图像质量,丰富了图像信息量。本平台不仅为医护和研究人员实现了多样化的医学图形处理方式,扩展了医学图像研究的方法,也为相关医学图像处理技术算法的研究和改进提供了有效的参考;同时,对于非编程专业的医务工作者来说,该平台界面友好、参数调节灵活、操作简单,可转化为.exe可执行文件,脱离MATLAB环境运行。
二、一种细胞神经网络图像滤波方法（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、一种细胞神经网络图像滤波方法（论文提纲范文）
（1）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 |
（2）基于机器视觉和深度学习的汽车仪表瑕疵检测技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器视觉技术发展现状 |
| 1.2.2 深度学习技术发展现状 |
| 1.2.3 汽车仪表检测研究现状 |
| 1.3 存在问题以及发展趋势 |
| 1.4 研究内容以及章节结构 |
| 第2章 汽车仪表瑕疵检测系统设计 |
| 2.1 汽车仪表瑕疵种类及特征分析 |
| 2.2 系统需求分析 |
| 2.3 检测系统总体方案 |
| 2.4 系统硬件平台设计与搭建 |
| 2.5 本章小结 |
| 第3章 汽车仪表图像采集和预处理 |
| 3.1 汽车仪表图像采集 |
| 3.2 图像灰度化 |
| 3.3 图像滤波 |
| 3.3.1 均值滤波 |
| 3.3.2 高斯滤波 |
| 3.3.3 双边滤波 |
| 3.3.4 滤波方法结果对比 |
| 3.4 图像锐化 |
| 3.4.1 拉普拉斯算子 |
| 3.4.2 Sobel算子 |
| 3.4.3 锐化方法结果对比 |
| 3.5 本章小结 |
| 第4章 基于卷积神经网络的汽车仪表瑕疵检测方法研究 |
| 4.1 卷积神经网络 |
| 4.1.1 卷积层 |
| 4.1.2 池化层 |
| 4.1.3 全连接层 |
| 4.1.4 损失函数 |
| 4.2 基于CNN的汽车仪表瑕疵检测 |
| 4.2.1 建立汽车仪表瑕疵图像样本数据集 |
| 4.2.2 数据集预处理 |
| 4.2.3 基于CNN的汽车仪表瑕疵检测 |
| 4.2.4 汽车仪表瑕疵检测基本原理 |
| 4.3 基于VGG19 的汽车仪表瑕疵识别分类算法 |
| 4.3.1 VGG19 网络结构 |
| 4.3.2 VGG19 网络训练及结果分析 |
| 4.4 基于Inception-V4 的汽车仪表瑕疵识别分类算法 |
| 4.4.1 Inception-V4 网络结构 |
| 4.4.2 Inception-V4 网络训练及结果分析 |
| 4.5 本章小结 |
| 第5章 基于改进的Inception-V4 的汽车仪表瑕疵检测 |
| 5.1 基于改进的Inception-V4 网络的瑕疵识别分类算法 |
| 5.1.1 改进的Inception-V4 网络结构 |
| 5.1.2 训练改进的Inception-V4 网络 |
| 5.2 分类网络模型评价指标 |
| 5.3 实验及对比分析 |
| 5.3.1 训练曲线结果对比分析 |
| 5.3.2 实验结果对比分析 |
| 5.4 本章小结 |
| 第6章 汽车仪表瑕疵检测系统软件设计与测试 |
| 6.1 开发环境简介 |
| 6.1.1 Labview简介 |
| 6.1.2 Tensor Flow简介 |
| 6.2 系统软件设计 |
| 6.2.1 系统软件总体设计 |
| 6.2.2 图像采集模块 |
| 6.2.3 图像预处理模块 |
| 6.2.4 瑕疵识别分类模块 |
| 6.2.5 检测信息显示及配置模块 |
| 6.3 系统整体性能测试 |
| 6.4 本章小结 |
| 第7章 结论 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的研究成果 |
| 致谢 |
（3）基于视觉监测的激光熔覆薄壁件高度预测方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视觉监测在激光熔覆方向的应用 |
| 1.2.2 激光熔覆制件形状监测现状 |
| 1.2.3 应用于激光熔覆过程的预测算法 |
| 1.3 论文研究内容与组织结构 |
| 2 实验设备、材料及数据获取 |
| 2.1 实验设备 |
| 2.2 实验材料 |
| 2.3 数据获取 |
| 2.4 本章小结 |
| 3 基于旁轴熔池图像的激光熔覆薄壁件高度监测 |
| 3.1 旁轴熔池图像获取 |
| 3.2 旁轴熔池图像处理 |
| 3.2.1 图像ROI提取 |
| 3.2.2 图像滤波 |
| 3.2.3 阈值分割 |
| 3.2.4 边缘提取 |
| 3.3 结果分析 |
| 3.3.1 薄壁件外观轮廓提取 |
| 3.3.2 熔池高度计算 |
| 3.3.3 图像高度提取误差分析 |
| 3.3.4 拟合效果 |
| 3.4 本章小结 |
| 4 基于同轴熔池图像的激光熔覆薄壁件高度预测 |
| 4.1 同轴图像获取与特征提取 |
| 4.1.1 同轴熔池图像获取 |
| 4.1.2 同轴熔池图像特征提取 |
| 4.2 长短期记忆神经网络 |
| 4.2.1 循环神经网络 |
| 4.2.2 长短期记忆网络 |
| 4.3 基于长短期记忆网络的激光熔覆薄壁件高度预测 |
| 4.3.1 基于LSTM的激光熔覆薄壁件高度预测流程 |
| 4.3.2 数据预处理 |
| 4.3.3 模型参数与训练过程 |
| 4.3.4 效果评估 |
| 4.4 基于CNN-LSTM的激光熔覆薄壁件高度预测 |
| 4.4.1 CNN-LSTM模型结构 |
| 4.4.2 数据预处理 |
| 4.4.3 CNN-LSTM模型参数及训练 |
| 4.4.4 效果对比 |
| 4.5 本章小结 |
| 5 激光熔覆薄壁件高度实时监测及预测系统 |
| 5.1 图像采集系统 |
| 5.2 实时监测及预测系统开发 |
| 5.2.1 基于旁轴图像实时监测系统 |
| 5.2.2 基于同轴图像在线预测系统 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（4）锂电池丝网印刷缺陷视觉检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景与意义 |
| 1.3 缺陷视觉检测关键技术的研究现状 |
| 1.3.1 图像配准算法研究现状 |
| 1.3.2 深度学习技术研究现状 |
| 1.3.3 印刷缺陷视觉检测算法研究现状 |
| 1.4 课题主要研究工作 |
| 1.4.1 研究对象与主要问题 |
| 1.4.2 研究内容 |
| 1.5 本论文章节安排 |
| 2 锂电池丝网印刷缺陷视觉检测技术的相关基础理论 |
| 2.1 引言 |
| 2.2 图像预处理算法 |
| 2.2.1 灰度化处理 |
| 2.2.2 图像滤波算法 |
| 2.2.3 滤波性能评价方法 |
| 2.3 图像配准算法 |
| 2.3.1 点特征提取 |
| 2.3.2 特征匹配 |
| 2.3.3 变换模型 |
| 2.3.4 插值处理 |
| 2.3.5 配准性能评价方法 |
| 2.4 深度学习技术 |
| 2.4.1 卷积神经网络理论 |
| 2.4.2 Siamese网络结构 |
| 2.4.3 U-Net网络结构 |
| 2.4.4 Dense Net网络结构 |
| 2.4.5 分割效果性能评价方法 |
| 2.5 本章小结 |
| 3 基于改进AKAZE锂电池丝网印刷图像配准算法 |
| 3.1 引言 |
| 3.2 基于DoG算子的改进加权导向滤波算法 |
| 3.3 一种改进AKAZE图像配准方法 |
| 3.3.1 基于AKAZE的 BEBLID特征描述符 |
| 3.3.2 结合GMS算法的特征匹配策略 |
| 3.4 实验过程与性能分析 |
| 3.4.1 实验平台 |
| 3.4.2 图像滤波性能评价分析 |
| 3.4.3 图像配准性能评价分析 |
| 3.5 本章小结 |
| 4 基于双通道改进U-Net分割网络的锂电池丝网印刷缺陷对比检测算法 |
| 4.1 引言 |
| 4.2 双通道改进U-Net分割网络 |
| 4.2.1 构建网络模型 |
| 4.2.2 Focal Loss损失函数 |
| 4.2.3 Dropout层 |
| 4.3 实验过程与性能分析 |
| 4.3.1 实验平台 |
| 4.3.2 数据集介绍 |
| 4.3.3 实验过程 |
| 4.3.4 实验结果与性能分析 |
| 4.3.5 检测算法测试结果 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的研究成果 |
| 学位论文数据集表 |
（5）声学后向散射数据的成像关键技术与底质分类研究（论文提纲范文）
| 作者简历 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状与存在问题 |
| 1.2.1 声学后向散射数据处理研究 |
| 1.2.2 声呐图像关键技术处理研究 |
| 1.2.3 声呐图像的校正与增强研究 |
| 1.2.4 声呐图像的信息融合研究 |
| 1.2.5 声呐图像的底质分类研究 |
| 1.2.6 存在问题 |
| 1.3 研究目的与内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 研究技术路线 |
| 1.4 论文章节安排 |
| 第二章 声学观测技术和声呐图像预处理 |
| 2.1 声学后向散射的数据处理 |
| 2.1.1 声学后向散射的简介 |
| 2.1.2 回波方程 |
| 2.1.3 声学后向散射数据的预处理 |
| 2.2 多波束声呐的成像原理 |
| 2.2.1 多波束声呐的图像形成 |
| 2.2.2 多波束声呐的图像预处理 |
| 2.3 侧扫声呐的成像原理 |
| 2.3.1 侧扫声呐的图像形成 |
| 2.3.2 侧扫声呐的图像预处理 |
| 2.4 本章小结 |
| 第三章 侧扫声呐图像的校正与增强 |
| 3.1 声呐图像校正与增强概述 |
| 3.2 声呐图像校正和增强技术探讨 |
| 3.3 改进的多尺度Retinex和稀疏字典学习的声呐图像校正与增强 |
| 3.3.1 非下采样Shearlet图像分解 |
| 3.3.2 改进型多尺度Retinex的低频子带增强 |
| 3.3.3 稀疏字典学习的高频子带滤波 |
| 3.3.4 声呐图像的校正过程 |
| 3.4 实验结果与分析 |
| 3.4.1 数据来源与参数设置 |
| 3.4.2 校正和增强质量评价 |
| 3.4.3 后向散射改正的瀑布图增强效果 |
| 3.4.4 瀑布图预处理的增强效果 |
| 3.5 本章小结 |
| 第四章 侧扫声呐图像的条带信息融合 |
| 4.1 声呐图像融合概述 |
| 4.2 声呐图像融合技术探讨 |
| 4.3 SMLF和 IDPCNN模型的声呐图像融合 |
| 4.3.1 图像预处理和配准 |
| 4.3.2 非下采样Contourlet图像分解 |
| 4.3.3 低频子带图像的融合准则 |
| 4.3.4 高频子带图像的融合准则 |
| 4.3.5 一致性检验和质量评估 |
| 4.3.6 声呐图像的融合过程 |
| 4.4 实验结果与分析 |
| 4.4.1 数据来源 |
| 4.4.2 融合准则的选取与组合分析 |
| 4.4.3 多尺度变换域方法的对比 |
| 4.5 本章小结 |
| 第五章 多波束声呐图像的底质分类 |
| 5.1 声呐图像的底质分类概述 |
| 5.2 海底沉积物特征提取与分类方法探讨 |
| 5.2.1 声呐图像的海底沉积物特征提取 |
| 5.2.2 沉积物的特征分类方法 |
| 5.3 SDAE和 MELM模型的底质分类 |
| 5.3.1 特征提取与选择 |
| 5.3.2 堆栈去噪自编码器(SDAE) |
| 5.3.3 极限学习机及其改进模型 |
| 5.3.4 分类模型的评价指标 |
| 5.3.5 声呐图像的底质分类过程 |
| 5.4 实验结果与分析 |
| 5.4.1 数据来源 |
| 5.4.2 实验通用参数设置 |
| 5.4.3 特征提取方法对比 |
| 5.4.4 分类器的对比 |
| 5.4.5 组合模型的性能对比 |
| 5.4.6 所设计方法的讨论 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
（6）基于深度学习的电子散斑干涉位移测量研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 位移测量技术概述 |
| 1.2 散斑干涉技术的发展 |
| 1.3 深度学习的发展 |
| 1.4 深度学习在光学测量中的研究现状 |
| 1.5 本文研究意义和主要内容 |
| 1.5.1 课题研究意义及主要内容 |
| 1.5.2 论文组织结构 |
| 第二章 散斑干涉测量技术 |
| 2.1 散斑干涉技术基本原理 |
| 2.2 相位提取技术 |
| 2.2.1 时间相移法 |
| 2.2.2 空间载波相移法 |
| 2.3 图像滤波技术 |
| 2.4 相位解包裹技术 |
| 2.4.1 最小范数算法 |
| 2.4.2 队列螺旋路径算法 |
| 2.4.3 可靠度指引区域扩张算法 |
| 2.5 本章小结 |
| 第三章 卷积神经网络 |
| 3.1 卷积神经网络简介 |
| 3.1.1 全连接层 |
| 3.1.2 卷积层 |
| 3.1.3 池化层 |
| 3.2 激活函数 |
| 3.2.1 Sigmoid函数 |
| 3.2.2 Tanh函数 |
| 3.2.3 Re LU函数 |
| 3.2.4 Leaky Re LU函数 |
| 3.3 损失函数 |
| 3.4 优化算法 |
| 3.5 经典网络结构介绍 |
| 3.5.1 Alex Net网络 |
| 3.5.2 Goog Le Net网络 |
| 3.5.3 Res Net网络 |
| 3.5.4 Dense Net网络 |
| 3.6 本章小结 |
| 第四章 散斑干涉相位提取与解包裹深度学习网络设计 |
| 4.1 数据集的建立 |
| 4.1.1 四步相移法散斑干涉图像数据集 |
| 4.1.2 相位解包裹图像数据集 |
| 4.2 散斑干涉相位提取深度学习网络设计 |
| 4.2.1 U-Net网络结构 |
| 4.2.2 批处理模块BN |
| 4.3 相位解包裹深度学习网络设计 |
| 4.3.1 改进型U-Net网络设计 |
| 4.3.2 损失函数设计 |
| 4.4 实验环境配置 |
| 4.5 本章小结 |
| 第五章 实验与分析 |
| 5.1 深度学习网络训练 |
| 5.1.1 网络训练与测试流程 |
| 5.1.2 相位提取深度学习网络训练 |
| 5.1.3 相位解包裹深度学习网络训练 |
| 5.2 相位提取网络结果分析 |
| 5.3 解包裹网络结果分析 |
| 5.3.1 仿真数据结果分析 |
| 5.3.2 实验数据结果分析 |
| 5.4 图像拼接的网络模型预测 |
| 5.5 深度学习网络图像处理软件设计 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（7）小样本医学电镜微粒图像的标注与分割（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1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 存在的问题和挑战 |
| 1.3 国内外研究现状 |
| 1.3.1 同质物体图像的分割现状 |
| 1.3.2 小样本医学图像分割任务现状 |
| 1.4 本文主要的研究内容和组织结构 |
| 第2章 相关理论介绍 |
| 2.1 深度卷积神经网络 |
| 2.1.1 CNN的组成部分 |
| 2.1.2 残差网络 |
| 2.2 基于CNN的图像分割框架 |
| 2.2.1 图像分割与FCN |
| 2.2.2 Mask R-CNN实例分割 |
| 2.3 域自适应和域随机化 |
| 2.4 自监督学习 |
| 2.5 本章小结 |
| 第3章 基于域随机化的电镜微粒图像生成方法 |
| 3.1 图像特征参数化 |
| 3.2 放置规则 |
| 3.3 对图像相似性的实验分析 |
| 3.3.1 图像合成 |
| 3.3.2 评价指标 |
| 3.3.3 实验分析 |
| 3.4 本章小结 |
| 第4章 基于分割边缘的数据集标注和制备 |
| 4.1 难点分析和流程概述 |
| 4.2 基于数字图像处理的边缘分割方法 |
| 4.2.1 图像滤波 |
| 4.2.2 边缘检测 |
| 4.3 基于深度卷积网络U-NET的边缘分割 |
| 4.3.1 U-Net网络结构 |
| 4.3.2 网络训练过程 |
| 4.4 实例分割数据集的制备 |
| 4.5 本章小结 |
| 第5章 基于互信息最大化的图像表征与实例分割 |
| 5.1 基于互信息最大化的图像表征 |
| 5.1.1 互信息最大化 |
| 5.1.2 网络结构与损失函数 |
| 5.2 图像聚类与实例分割 |
| 5.2.1 图像聚类与训练集筛选 |
| 5.2.2 分割网络与损失函数 |
| 5.3 实验设置 |
| 5.3.1 实验数据集简介 |
| 5.3.2 实验配置与训练策略 |
| 5.4 实验结果分析 |
| 5.4.1 分割网络对比实验 |
| 5.4.2 训练集对分割结果的影响 |
| 5.4.3 模型分割能力探究与讨论 |
| 5.5 本章小结 |
| 第6章 工作总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 研究生期间研究成果情况 |
| 1 硕士期间发表论文情况 |
| 2 硕士期间科研竞赛奖励情况 |
（8）非独立同分布少样本学习算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非独立同分布研究现状 |
| 1.2.2 少样本学习研究现状 |
| 1.3 本文主要贡献 |
| 1.4 本论文组织结构 |
| 2 相关理论介绍 |
| 2.1 少样本学习概述 |
| 2.1.1 问题定义 |
| 2.1.2 基准数据集 |
| 2.2 深度神经网络的相关理论基础 |
| 2.2.1 卷积层和池化层 |
| 2.2.2 激活函数 |
| 2.2.3 损失函数 |
| 2.2.4 梯度下降算法 |
| 2.3 相关模型介绍 |
| 2.3.1 核密度估计与图像滤波方法 |
| 2.3.2 原型网络 |
| 2.3.3 关系网络 |
| 2.3.4 相对多数投票模型 |
| 2.4 本章小结 |
| 3 基于关系网络的鲁棒性少样本学习算法 |
| 3.1 相关理论知识 |
| 3.1.1 集成学习 |
| 3.1.2 融合网络 |
| 3.2 RAINBOW算法描述 |
| 3.3 实验及结果分析 |
| 3.3.1 实验设置 |
| 3.3.2 RAINBOW方法分类效果验证 |
| 3.3.3 RAINBOW分类效果与集成规模的关系 |
| 3.3.4 噪声对模型性能的影响分析 |
| 3.4 本章小结 |
| 4 基于原型网络的快速少样本学习算法 |
| 4.1 相关理论知识 |
| 4.1.1 Bregman散度 |
| 4.1.2 融合网络 |
| 4.2 FAIRY算法描述 |
| 4.3 实验及结果分析 |
| 4.3.1 实验设置 |
| 4.3.2 FAIRY分类效果 |
| 4.3.3 FAIRY集成规模探究 |
| 4.3.4 性能分析 |
| 4.4 本章小结 |
| 5 基于任务依赖的跨模态自适应少样本学习算法 |
| 5.1 跨模态少样本学习 |
| 5.2 相关理论知识 |
| 5.2.1 度量缩放 |
| 5.2.2 任务调节 |
| 5.2.3 辅助任务协同训练 |
| 5.2.4 跨模态 |
| 5.3 CAPTAIN算法描述 |
| 5.4 实验及结果分析 |
| 5.4.1 实验设置 |
| 5.4.2 分类实验结果对比 |
| 5.4.3 尺度变换的影响 |
| 5.4.4 适应性分析 |
| 5.4.5 自适应机制的输入研究 |
| 5.4.6 消融实验 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在校期间的科研成果 |
（9）生猪异常行为多源监测及其信息融合方法的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 英文缩写对照表 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器视觉技术的研究现状 |
| 1.2.2 音频监测技术的研究现状 |
| 1.2.3 超声波技术研究现状 |
| 1.2.4 多源信息融合研究现状 |
| 1.3 论文主要研究内容和章节安排 |
| 1.3.1 论文主要研究内容 |
| 1.3.2章节安排 |
| 1.4 本章小结 |
| 第2章 基于机器视觉技术的生猪动作异常监测 |
| 2.1 基于机器视觉技术的生猪异常行为监测总体结构 |
| 2.2 生猪生长周期分析 |
| 2.3 生猪视频采集与预处理 |
| 2.3.1 生猪视频采集 |
| 2.3.2 生猪图像预处理 |
| 2.4 基于改进SSD的生猪目标检测研究 |
| 2.4.1 卷积神经网络 |
| 2.4.2 SSD基本结构 |
| 2.4.3 SSD网络训练 |
| 2.4.4 SSD基础网络 |
| 2.4.5 生猪目标的改进SSD检测方法 |
| 2.4.6 基于改进SSD的生猪目标检测结果与分析 |
| 2.5 生猪过度聚集的改进SSD检测方法研究 |
| 2.6 生猪打斗行为的FD-SSD检测方法研究 |
| 2.6.1 基于帧间差分法的生猪移动像素提取 |
| 2.6.2 基于SSD的运动生猪个体检测 |
| 2.6.3 生猪打斗行为判别方法 |
| 2.6.4 生猪打斗行为的FD-SSD检测方法实验结果与分析 |
| 2.7 本章小结 |
| 第3章 生猪异常声音的改进多重支持向量数据描述识别方法 |
| 3.1 生猪异常声音识别总体结构 |
| 3.2 生猪异常声音分析与生猪声音信号采集 |
| 3.2.1 生猪异常声音分析 |
| 3.2.2 生猪异常声音采集 |
| 3.3 生猪声音信号预处理 |
| 3.3.1 生猪声音能量检测 |
| 3.3.2 生猪混合声音分离 |
| 3.3.3 生猪声音降噪 |
| 3.3.4 生猪声音端点检测 |
| 3.3.5 生猪声音分帧加窗 |
| 3.4 生猪声音特征参数提取 |
| 3.4.1 生猪声音短时能量 |
| 3.4.2 生猪声音短时过零率 |
| 3.4.3 生猪声音线性预测倒谱系数 |
| 3.4.4 生猪声音梅尔频率倒谱系数 |
| 3.4.5 生猪声音耳蜗滤波倒谱系数 |
| 3.4.6 生猪声音特征参数提取结果 |
| 3.5 生猪异常声音的改进多重支持向量数据描述识别方法 |
| 3.5.1 支持向量数据描述基本步骤 |
| 3.5.2 多重支持向量数据描述 |
| 3.5.3 改进多重支持向量数据描述 |
| 3.6 生猪异常声音识别实验结果与分析 |
| 3.6.1 生猪声音独立源分离 |
| 3.6.2 生猪声音降噪结果与分析 |
| 3.6.3 生猪异常声音识别结果与分析 |
| 3.7 本章小结 |
| 第4章 生猪饮食异常的改进PSO-SVDD判断方法 |
| 4.1 生猪饮食异常判断总体结构 |
| 4.2 基于超声波的生猪饮食数据采集装置 |
| 4.3 基于改进SVDD的生猪饮食异常判断 |
| 4.4 基于改进粒子群优化算法的SVDD参数寻优 |
| 4.4.1 粒子群算法基本原理 |
| 4.4.2 基于粒子变异的粒子群优化算法 |
| 4.5 基于改进PSO-SVDD的生猪饮食异常判断 |
| 4.5.1 样本归一化 |
| 4.5.2 构建适应度函数 |
| 4.5.3 改进PSO优化SVDD参数 |
| 4.6 实验结果与分析 |
| 4.6.1 不同参数下SVDD训练结果 |
| 4.6.2 改进SVDD决策函数前后生猪饮食异常判断结果比较 |
| 4.6.3 改进PSO优化SVDD参数结果 |
| 4.6.4 基于改进PSO-SVDD的生猪饮食异常判断结果 |
| 4.7 本章小结 |
| 第5章 生猪多源多时段异常行为的灰色证据组合模型融合评价方法 |
| 5.1 生猪异常概率计算 |
| 5.2 基于灰色证据组合模型的生猪多源多时段异常融合评价总体结构 |
| 5.3 基于灰色聚类评估模型的生猪多源异常评估 |
| 5.3.1 灰色聚类评估模型相关概念 |
| 5.3.2 构建白化权函数 |
| 5.3.3 确定指标组合权重 |
| 5.4 基于D-S证据理论的生猪多时段异常评估结果融合 |
| 5.4.1 D-S证据理论基本原理 |
| 5.4.2 D-S证据理论的改进组合规则 |
| 5.5 生猪多源多时段异常行为融合评价实例分析 |
| 5.5.1 低冲突证据融合 |
| 5.5.2 高冲突证据融合 |
| 5.6 生猪异常行为智能监测管理平台 |
| 5.6.1 用户登录 |
| 5.6.2 生猪异常行为智能监测主画面 |
| 5.6.3 生猪动作异常监测 |
| 5.6.4 生猪声音异常监测 |
| 5.6.5 生猪饮食异常监测 |
| 5.7 本章小结 |
| 第6章 结论 |
| 6.1 结论 |
| 6.2 论文创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（10）基于MATLAB的医学超声图像处理仿真平台设计与研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的和意义 |
| 1.1.3 研究现状及趋势 |
| 1.1.4 医学超声图像面临的主要问题 |
| 1.2 MATLAB软件在图像处理中的应用 |
| 1.2.1 MATLAB软件概述 |
| 1.2.2 MATLAB GUI技术 |
| 1.2.3 基于MATLAB的图像处理技术 |
| 1.3 本文研究内容及创新性 |
| 1.3.1 研究内容 |
| 1.3.2 创新性 |
| 2 平台的总体设计 |
| 2.1 平台的层次结构和设计原则 |
| 2.2 平台的设计步骤 |
| 2.3 平台的总体设计框架 |
| 3 医学超声图像处理仿真平台算法概述及GUI实现 |
| 3.1 文件与视图 |
| 3.2 图像增强 |
| 3.2.1 灰度级变换 |
| 3.2.2 直方图均衡化 |
| 3.2.3 锐化 |
| 3.3 图像滤波 |
| 3.3.1 均值滤波 |
| 3.3.2 中值滤波 |
| 3.3.3 高斯平滑滤波 |
| 3.3.4 维纳滤波 |
| 3.4 图像分割 |
| 3.4.1 阈值分割 |
| 3.4.2 区域分割 |
| 3.4.3 基于脉冲耦合神经网络的图像分割 |
| 3.5 形态学处理 |
| 3.5.1 膨胀和腐蚀 |
| 3.5.2 开运算和闭运算 |
| 3.6 边缘检测 |
| 3.6.1 Robert算子 |
| 3.6.2 Sobel算子 |
| 3.6.3 Prewitt算子 |
| 3.6.4 Canny算子 |
| 3.6.5 LoG算子(Laplacian of Gaussian) |
| 4 仿真平台的测试及算法评价 |
| 4.1 人体胆囊结石超声图像分析 |
| 4.1.1 正常人体胆囊超声图像分析 |
| 4.1.2 具有结石特征的人体胆囊超声图像分析 |
| 4.2 图像增强模块测试及算法评价 |
| 4.3 图像滤波模块测试及算法评价 |
| 4.4 图像分割模块测试及算法评价 |
| 4.5 形态学处理模块测试及算法评价 |
| 4.6 图像边缘检测模块测试及算法评价 |
| 4.7 基于胆囊结石医学超声图像处理的算法流程 |
| 5 总结与展望 |
| 5.1 本文总结 |
| 5.2 展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
四、一种细胞神经网络图像滤波方法（论文参考文献）
- [1]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)
- [2]基于机器视觉和深度学习的汽车仪表瑕疵检测技术研究[D]. 关哲. 吉林大学, 2021(01)
- [3]基于视觉监测的激光熔覆薄壁件高度预测方法[D]. 杨征宇. 大连理工大学, 2021(09)
- [4]锂电池丝网印刷缺陷视觉检测技术研究[D]. 陈滢. 广东技术师范大学, 2021(11)
- [5]声学后向散射数据的成像关键技术与底质分类研究[D]. 周平. 中国地质大学, 2021(02)
- [6]基于深度学习的电子散斑干涉位移测量研究[D]. 周雅兰. 合肥工业大学, 2021(02)
- [7]小样本医学电镜微粒图像的标注与分割[D]. 王云峰. 西南大学, 2021(01)
- [8]非独立同分布少样本学习算法研究[D]. 代磊超. 四川师范大学, 2021(12)
- [9]生猪异常行为多源监测及其信息融合方法的研究与应用[D]. 张苏楠. 太原理工大学, 2020(01)
- [10]基于MATLAB的医学超声图像处理仿真平台设计与研究[D]. 王梦薇. 内蒙古科技大学, 2020(01)