一、一种智能化网线检测器的设计（论文文献综述）
蔡佩征[1]（2021）在《化工厂多层气化车间巡检机器人设计及图像智能识别技术研究》文中提出随着化工厂建设进程与规模的逐渐扩大,传统物理型化工厂日常巡检强度大、巡检任务重及巡检区域存在CO、H2S等有毒气体危害工作人员身体健康的问题受到人们的广泛关注,采用自主巡检机器人代替人工完成与化工厂内部仪器仪表的智能化交互迫在眉睫。其中,研究如何精准有效地识别复杂车间环境下仪器仪表状态信息的图像智能识别技术成为解决上述问题的重点与关键。本文以传统型化工厂多层气化车间为应用场所,针对气化车间巡检过程中亟待解决的问题,通过将图像识别技术与神经网络算法相结合,解决巡检机器人巡检任务中存在的楼层空间限制问题,复杂车间环境下目标识别偏移、读表精度低等问题,具体研究内容如下:首先,根据对化工厂多层气化车间的实地勘察与调研,结合化工厂特殊的环境要求对巡检机器人进行设计,包括机器人设备的选型、巡检轨迹的设定与图像建模操作、无线通信网络的搭建、梯控设备的设计与安装以及上位机的部署等。在确保巡检安全性的前提下,为图像智能识别技术的应用提供了完整的平台。其次,针对巡检机器人在智能识别时出现的目标偏移问题,研究了五种基于特征点检测的算法,通过理论推导及分别对实验室仪表与车间仪表图像进行特征点提取实验对比测试了五种算法的性能,对各方面性能均较好的ORB算法的匹配策略做出改进,并采用RANSAC算法进行误匹配点剔除,提升了图像匹配的精度与性能。然后,对“人、货物、机器人”共用一部电梯可能出现的情况进行阻塞分析,采用设置进梯参照物的方式优化“机梯交互”策略。采用改进后的CNN模型训练定位、识别机器人乘梯参照物,提高机器人乘梯的可靠性,打破空间对机器人自主巡检的限制,同时兼顾了人性化与智能化。最后,将基于人脸识别的多任务卷积神经网络模型应用到仪表盘检测上,以检测到的表盘区域和三个关键特征点作为约束,通过表盘数字识别与指针定位联合距离法判读指针式仪表的示数,并导入到巡检机器人上进行现场应用。
魏东[2]（2021）在《采煤机工作空间人员检测与预警关键技术研究》文中研究说明随着智能化技术的发展,如何推动综采自动化向综采智能化转变,是当前煤炭行业亟需解决的核心问题之一。综采工作面具有低照度、工作环境恶劣的特点。在智能化综采工作面中,采煤机的操控由本地向远程转变。本地操作模式下,可以通过跟机工作人员的观察和提醒避免人员误入工作空间。随着综采机电装备操作方式的变化,如何保障机电装备工作空间内的人员安全,成为亟待解决的关键问题。当前的采煤机已经具有三维定位、记忆截割和远程监控等功能,但缺少采煤机工作空间误入人员的检测和预警保护功能,一旦出现井下人员误入其工作空间,将会带来严重的安全事故。因此,有必要研究采煤机工作空间人员检测与预警技术,实现煤矿的安全高效生产。本课题以采煤机工作空间人员检测与预警为研究对象,利用红外热成像仪采集采煤机工作空间内红外图像,研究具有复杂混合噪声的红外图像去噪增强方法,建立采煤机工作空间内人员目标的运动特征及位置提取模型,设计基于强跟踪模型的目标位置预测算法,实现采煤机工作空间内的人员位置预测与保护预警。本文的主要研究成果如下:（1）在分析综采工作面采煤机、液压支架和刮板输送机配套模型基础上,结合采煤机工作空间人员检测与预警系统的功能需求,搭建了采煤机工作空间人员检测与预警系统的总体架构,并分析了采煤机工作空间人员检测与预警系统的主要组成与工作流程。（2）研究了采煤机工作空间红外图像噪声的构成与特性,建立了针对具有非均匀信息分布特点的红外图像抗敏滤波模型,并结合采煤机工作空间红外图像序列的时域特性,构建了该模型的时空域变体,有效提高了对高强度不均匀复杂红外噪声的处理能力,改善了采煤机工作空间红外图像序列质量。（3）分析了采煤机工作空间人员检测系统需求,建立了采煤机工作空间红外图像域场景运动特征获取模型,结合红外图像序列自身特性,研究了动态背景下移动前景目标的红外图像运动特征提取方法,实现采煤机工作空间中移动目标的运动特征提取。（4）结合采煤机工作空间红外场景特征,研究了适合于采煤机工作空间复杂红外场景的图像分割方法,建立了基于局部信息权重和淘金算法的红外图像分割方法,实现了采煤机工作空间红外场景的有效分割,继而设计了基于形态学权重的位置检测算法,有效融合采煤机工作空间中人员的运动特征和分割图像信息,实现了移动人员位置信息的完整提取。（5）设计了采煤机工作空间人员预警算法,基于采煤机工作空间人员的运动及位置信息,分析适合于描述采煤机工作空间人员运动的机动目标跟踪模型,构建了基于强跟踪模型的移动人员位置预测与跟踪算法,实现了采煤机工作空间的人员危险状态预警。本文对采煤机工作空间人员检测与预警的关键技术进行了研究,并研发了采煤机工作空间人员检测与预警系统,开展了红外图像增强、采煤机工作空间人员运动特征及位置信息提取和人员位置预测及危险状态预警等相关工业性试验,结果表明:该系统可以有效地对采煤机工作空间中移动人员目标的运动特征和位置信息进行提取,实现工作人员预警保护,为智能化综采工作面的安全生产提供了技术支撑。该论文有图60幅,表21个,参考文献218篇。
王京[3]（2020）在《基于目标检测算法的课堂异常行为识别系统研究》文中研究指明随着我国经济社会和综合国力的不断增强,教育质量能否紧跟时代步伐成了我国能否迈向高台阶的关键因素,而近年来随着我国高校招生规模日益扩大以及娱乐电子产品的普及,高校课堂质量的监管有必要进一步提高。当下,仅仅通过人工查看课堂视频数据和授课教师来监管学生课堂行为已不能满足目前课堂教学的需求,上述方式需要耗费授课教师课堂的精力,操作非常不便而且费时、效率非常低、容易发生漏检、误检等情况,无法实时检测到学生睡觉、玩手机和交流的行为。而将深度学习的技术应用于高校课堂质量的监管具有现实意义。本文主要研究在高校课堂场景下利用视频监控实现对学生异常行为的识别,通过计算机视觉技术来辅助授课老师对学生异常行为的判断。在本论文研究中,将采用软硬件相结合的方式实现高校课堂质量辅助系统的设计。本论文完成的工作主要有:1.从该系统应用场景来说,应具有成本低廉、效率高的特性,因此该系统使用系统移植、ARM Linux应用程序开发,等等嵌入式技术,设计基于TQ2440开发板的设备终端,实现摄像头实时采样。设备终端（摄像头）把采集到的实时图像数据利用x264编码库实现H.264压缩编码后,传输至服务器。服务器主要功能是利用FFmpeg和H.264对接收到的视频数据实时解码,然后进行图像实时识别处理,并对视频数据进行存储等操作。当图像处理模块检测到学生异常行为时,便将图像数据传输至授课教师手机APP终端,并通过弹出消息框的形式实现报警。在本论文研究中,系统服务器中学生和手机目标检测以及学生异常行为识别将是本论文的研究重点。2.系统服务器中图像处理模块的学生和手机目标检测是学生课堂异常行为识别的基础,系统在目标检测的过程中会回归出学生和手机在图像中的位置信息。由于YOLOv3算法对手机等小目标检测具有突出的表现,而且处理图片数据的速度较快,所以用于本设计比较符合。本文的算法设计采用Tensor Flow架构,通过将原始的图片输入训练完毕的YOLOv3网络后经过特征提取得到的学生目标召回率和精确率分别为95.0%和92.3%,手机目标召回率和精确率分别为86.9%和93.5%,整体目标检测的召回率和精确率分别达到90.95%和92.9%。3.学生在课堂的异常行为识别是图像处理模块的最终目的。对于三种异常行为识别采用深度网络和传统手工特征相结合的方式,深度网络主要用于目标检测,传统手工特征主要定义三种异常行为的特点,三个流程同步进行行为识别。对于“课堂玩手机”的行为采用边界框回归的方法,利用非极大值抑制的思想看那个学生的边界框与手机目标的边界框最大面积重合则该学生具有玩手机的行为。对于“课堂睡觉”的行为采用对每个检测到的学生对象利用Haar特征进行人脸检测,若没有检测到人脸则断定该学生具有睡觉行为。对于“上课交流”的行为采用设定阈值的方式,当两个或者两个以上的学生目标的边界框的重叠面积大于设定的阈值,则断定该组学生具有交流行为。实验证明三种行为识别的综合召回率和精准率都大于80%,三种行为的检测速度都在1秒以内,适合系统实时性的要求。4.完整的课堂学生异常行为检测系统除了能够检测出学生课堂异常行为外,还应该具有对应的实时报警功能。该系统的报警模块主要是教师Android手机终端的APP接收到服务器的JSON异常行为数据后将其存入Handler消息队列,然后通过Android内部机制让APP以音效、振动和弹出消息框的形式实现报警。实验证明,当学生有异常行为时APP终端可以实现实时报警的功能。
孟祥迎[4]（2020）在《樊庄区块煤层气单井自动化测控单元的优选及地质评估》文中进行了进一步梳理煤层气因其清洁和品质优良的特点,越来越被世界各国青睐,也成为新时期我国重点开发的新型能源。煤层气的排采需要密切关注各项生产数据,在注重储层特征,强化地质分析的同时引入自动化测控单元和通信技术,将自动化技术与地质分析相结合,研究适合樊庄区块煤层气单井的自动化测控单元,完善测控单元的各项功能,不仅能提高地质分析的精度,降低人工巡井的误差和劳动强度,及时准确地制定排采制度,加大安全系数,还能提高煤层气单井的产量,延长稳产期,减少成本,达到煤层气井的精细化、自动化的实时性管控。本文的研究不仅对于樊庄区块,对于其他煤层气产区,也有十分重要的借鉴意义。本文首先对樊庄区块的地质概况进行分析,掌握了樊庄区块的地层特征,发现了煤层气的排采特性,然后根据不同的排采方法采用相应的测控单元,经过多年的实践经验,并首次提出了显性成本与隐性成本,在综合评价各项因素和听取各方意见后,确定了一套最佳方案,即光纤有线网口变频PLC一体型。该测控单元采用光电传输系统进行光纤通信,彻底解决了山区内有些单井信号弱,通信质量差的问题;有线采集,保证了数据采集的准确性、稳定性和实时性;网口传输,提高了数据上传的效率和数据的完整性;变频器调速,不仅实现了节能降耗,还扩展了远程控制的功能;远程数据终端装置和自动化控制柜合为一体,便于操作。本文对该方案的产生过程及相应的配置有详尽的描述。本文确定的测控单元在樊庄区块的实际应用中表明可以实现对生产数据的实时准确的监控,能远程控制地面设备,能及时调整排采制度,减轻了工作人员的劳动强度,满足了地质排采的功能需求,为地质人员的分析提供了依据,达到了预期效果。
王丹丹[5]（2020）在《全生长期树上苹果识别与生长参数远程检测方法研究》文中进行了进一步梳理在苹果生长发育过程中,及时获得果实的生长参数对于研究果实的生长规律及指导果农进行科学管理具有重要意义。传统的苹果果实生长参数主要靠人工测量获得,具有耗时耗力、成本高等缺点。计算机视觉技术可以很好地弥补人工测量的不足,为实现树上苹果智能化生长参数检测提供技术支持。然而,由于苹果生长的自然环境比较复杂,且果实在整个生长过程中存在由小到大、由绿变红的过程,使得精准、自动地识别树上果实并检测果实大小信息较为困难。为解决上述问题,在国内外研究成果的基础上,利用数字图像处理技术、模式识别及机器学习等相关农业信息技术和方法,对疏果前苹果目标的识别、不依赖于颜色特征的苹果图像的分割、苹果轮廓的检测及苹果横径生长远程检测开展了系统的研究。论文的主要研究内容及结论如下:（1）提出基于区域的全卷积网络（R-FCN）的疏果前苹果目标识别方法。针对疏果前苹果目标较小,且颜色与背景叶片极其相似而难以识别的问题,在研究基于ResNet-50和ResNet-101的R-FCN结构及识别结果的基础上,改进设计了基于ResNet-44的R-FCN,以提高苹果的识别精度并简化网络。该网络模型主要由ResNet-44全卷积网络、区域生成网络（RPN）及感兴趣区域（Ro I）子网构成。ResNet-44全卷积网络为基础网络,用以提取图像的特征,RPN根据提取的特征生成Ro I,然后Ro I子网根据ResNet-44提取的特征及RPN输出的Ro I进行苹果目标的识别与定位。对采集的图像扩容后,随机选取23 591幅图像作为训练集,4 739幅图像作为验证集,对网络进行训练及参数优化。用332幅图像组成的测试集进行识别试验的结果表明,该方法可有效地识别出重叠、被枝叶遮挡、模糊、表面有阴影、强光及弱光的苹果目标和被枝条或叶柄分成多个部分的苹果目标,召回率为85.7%,精确率为95.1%,平均速度为0.187 s/幅。比Faster R-CNN、基于ResNet-50和ResNet-101的R-FCN的F1值分别提高16.4%、0.7%和0.7%,识别速度比基于ResNet-50和ResNet-101的R-FCN分别提高了0.010 s和0.041 s。该方法解决了传统方法难以实现的疏果前微小绿色苹果目标识别问题,也可广泛应用于其他与背景颜色相近的小目标识别中。（2）提出一种不依赖于颜色特征的苹果图像分割方法。苹果从幼果期到成熟期,其颜色由绿变红发生极大改变,为了实现不同生长期不同颜色苹果的分割,并提高图像分割的智能化水平,首先用基于自然统计的显着性（SUN）视觉注意模型提取原始图像的显着图,在阈值分割显着图后,将二值图像中目标的质心作为初始种子生长点,同时对原始图像用拉普拉斯算子进行图像锐化,然后用基于全局化轮廓概率-方向分水岭变换-超度量轮廓图算法及Otsu阈值分割算法提取锐化后图像的显着轮廓,最后由初始种子点在显着轮廓图上进行区域生长,进而完成苹果目标的分割。用自然场景下采集的556幅不同生长阶段的苹果图像进行试验,结果表明,该算法的平均分割误差（SE）、平均假阳性率（FPR）、平均假阴性率（FNR）及平均重叠系数（OI）分别为8.4%、0.8%、7.5%和90.5%,图像分割结果优于其他6种对比方法。该方法可在不改变任何特征及参数的情况下,有效地分割绿、红及表面红绿分布不均匀的苹果。（3）提出了基于ResNet-50卷积特征融合的苹果轮廓检测网络（DAC-FEB）。为了快速、准确地检测出图像中苹果的轮廓,在ResNet-50网络模型的基础上进行了改进。该网络融合了ResNet-50中第2到第5阶段中各个块的卷积特征,并增加新的卷积层以去除上采样过程中产生的伪影。采集903幅不同成熟度的苹果图像,选取其中160幅图像作为测试集,对其余703幅图像进行水平镜像及对原始图像和镜像图像分别旋转90°、180°和270°进行图像扩容,用扩容后得到的5944幅图像进行网络训练与参数优化。结果表明,DAC-FEB网络在测试集上的F1值为53.1%,平均每幅图像运行时间为0.075s,轮廓检测结果优于其他7种轮廓检测方法。该方法能够有效地去除复杂背景,准确地检测出图像中苹果的轮廓,且具有近实时性,可有效提取出单个、重叠、被遮挡、半成熟颜色不均匀、成熟红色及未成熟绿色苹果目标的轮廓。（4）针对自然场景下苹果生长信息获取难题,提出了一种基于轮廓检测的树上苹果横径远程检测方法。在设计以CMOS网络球型摄像机和PC为核心的苹果图像远程定时获取硬件系统的基础上,设计了树上苹果横径的测量方法。图像预处理后,利用设计的DAC-FEB网络提取图像中苹果的轮廓,为了滤除图像中非检测的苹果,从预处理后的图像中手动选取待检测苹果上的一个点作为种子点,并在提取的轮廓图上进行区域生长以分割出待检测苹果。以2018年6月23日为界限,分别将图像中的苹果按圆形和椭圆形进行拟合,并分别用圆的直径和拟合椭圆长轴所在直线与苹果轮廓交点间的线段作为苹果的横径,最后利用标定球将其转换为实际苹果横径。实验结果表明,该系统实现了对21个苹果从疏果后（2018年5月16日）到成熟（2018年9月28日）期间横径生长的检测,系统检测苹果横径的平均绝对误差均值为0.90 mm,比基于圆拟合的横径检测方法（2.80 mm）降低了67.9%。利用该系统能够有效、准确地检测树上苹果的生长,并为其他果实的生长检测提供了参考,可望用于果园管理的优化。
王伟凯[6]（2020）在《生物智能启发的数据流安全存储与实时计算》文中研究说明信息科学的快速发展显着提升了社会生产和生活的智能化水平,其核心是对实时数据的全面采集、安全存储和高效计算。由于数据采集过程的连续性,获得的数据量不断增加,通常需要借助于云计算技术完成存储。从时序角度来看,大量的数据样本汇聚形成了数据流,而数据流中蕴含的信息具有时效性,其价值会随着时间的推移而不断降低。因此,本文分别从云端存储的安全性和计算的时效性两方面研究数据流的相关理论和技术。受免疫系统、记忆系统等生物机理的启发,研究针对不同场景下数值异常问题的新型解决方法。本论文的主要工作可以概括为以下几个方面:（1）模拟生物免疫系统的机体防御机理,结合云端存储的分布式特性,提出了一种改进的动态免疫算法IDIA（Improved Dynamic Immune Algorithms）和基于免疫记忆机制的数据样本高效分层检索策略。在抗体生成和动态更新的过程中,分别提出了移位变异和随机分组等改进策略,提升IDIA的抗体生成效率和动态环境的自适应能力。针对云端数据存储问题,以分布式主从结构HDFS（Hadoop Distributed File System）为基础,分析了传统云端数据安全防御方法中存在的各种缺陷,提出了一种基于IDIA的云端数据安全存储方法,以及计算区服务器高效提取存储区待计算数据样本的新模型。将存储区优质数据样本暂存至HDFS的主节点,计算区服务器需要预先拿到主节点中的优质数据样本,再通过存储区基于免疫记忆机制的分层匹配过程,方能获得访问存储区服务器的权限。该过程对于“自己”数据能够实现快速匹配,同时能够有效识别“异己”数据样本,实现安全防御。（2）受免疫记忆机制能够高效处理动态数据流的启发,本文进一步探索了类脑记忆系统在实时数据流处理中的重要性,主要聚焦于分层记忆机制和时序记忆机制。分层记忆机制通过信息痕迹量将大脑中的信息划分为多层,本文将其划分为三层:短时记忆层、长时记忆层和永久记忆层。再通过对记忆、回忆与遗忘机制建模,定量描述数据样本在系统中的重要程度,并实现数据样本在不同分层间的动态迁移。时序记忆机制则是从时间序列角度出发,通过不断记忆、强化和复现历史经验信息,为当前时刻的预测做参考。（3）本文根据异常数据的产生形式,将异常问题划分为显式异常和隐式异常。显式异常通常由传输过程中的噪声干扰、网络不稳定、设备老化等外部物理原因造成,而隐式异常则是以内在数据分布的改变为代表。再结合过程工业的实际应用背景,分别通过批处理和流处理来研究数据流中存在的显式异常和隐式异常问题。批处理中主要解决实时数据流中如数值缺失、离群点、噪声和冗余等显式异常问题。数据流与传统数据处理的显着区别在于,前者在以时效性为主要指标的同时追求近似解,后者以精确解为主要指标而缺乏对处理结果时效性的考量。本文所设计的分层记忆网络就是一种基于样本替换的异常问题近似解决方法,适合于对时效性要求严格的在线系统。（4）数据流是对动态环境的实时感知,除了批处理之外还包含流处理,流处理以单条数据样本为处理单元,其中广泛存在着以概念漂移为代表的隐式异常问题。因此,本文受时序记忆机制启发,设计了一种基于稀疏离散表征的新型异常数值检测器,同时构建了时序记忆与学习网络,该网络利用历史经验知识预测下一时刻未知数据的稀疏离散表征,并与下一时刻的实际表征进行对比完成异常检测。定义了动态数据流的决策矩阵,帮助从含有噪声的动态数据流中识别出概念漂移现象,并促使检测器及时更新以适应新环境。决策矩阵的构建以概念漂移的趋势性和随机噪声的无序性为基础。面向工业应用中基于私人订制的小批量、多模式、个性化的生产系统,实时生产需求的变更体现在数据流中就是概念漂移,及时监测并更新编码器是为了适应定制化的需求。最后,总结全文,剖析当前研究工作中存在的不足,并展望有待进一步解决的潜在问题。
代孟廷[7]（2020）在《铁路道口视频监控系统设计与多目标跟踪算法研究》文中研究指明随着我国铁路网线不断密集化,铁路交通事故也越发明显。铁路道口是整个铁路交通网络中唯一存在的路权冲突区域,更是安全事故的多发地带,因此需要智能化的检测和跟踪分析手段来了解道口状态,避免事故的发生,保证铁路和公路的正常运输通畅。本文依托某海港铁路道口的智能化改造项目,研究并设计港口铁路道口智能监控系统,结合监控场景开展了多目标跟踪算法的研究。对道口进行现场勘察和监视需求分析后,设计了三个复杂道口的视频监视系统,构建了监控中心的视频监控平台;基于Faster R-CNN深度学习网络的研究和改进,实现道口车辆的检测与识别;基于SORT算法研究实现对道口车辆的多目标跟踪;并使用图形学制定车辆绊线规则分析跟踪车辆的行为报警。针对道口封闭情况下目标仍然绊线的情况自动报警,提高视频监控的智能化。论文的主要工作如下:（1）铁路道口视频监控系统设计:本文从监控系统的组织架构和功能模块两方面分析,以服务器和操作显示为两大设计端,设计出一套符合铁路规格要求的道口智能视频监控系统。将视频监控系统作为算法研究平台,应用到港口铁路道口智能化改造工程中。（2）改进的Faster R-CNN网络目标检测与识别:本文对道口车辆进行算法研究,提出结合密度统计的Density Faster R-CNN网络模型,以提高在车辆遮挡下的目标检测率。在多个对比实验后验证了本文提出的改进算法对道口车辆检测的有效性,检测模型的整体m AP达到81.45%,检测速度为8fps。（3）基于SORT跟踪算法实现多目标跟踪与越线报警:本文使用Density Faster R-CNN检测算法和SORT跟踪算法对铁路道口进行多目标跟踪任务,实验结果表明多个跟踪评价指标在遮挡识别率得到提高的情况下均能上升。制定两种绊线事件,实现了对铁路道口的小轿车、SUV车、大卡车、面包车与摩托车的完整的“检测+多目标跟踪+行为判定”流程。（4）道口目标检测与跟踪数据集建立:包含目标检测图片数据集以及跟踪视频帧数据集两部分。依托工程项目在安装调试和试运行阶段,收集三个道口视频并自制车辆数据集,包括6526张的图片集和13组视频共11G的视频集。（5）依托某海港铁路道口智能化改造,对三个道口进行监控设备安装更新及系统监控界面设计。通过实验本文所设计的智能监控系统和多目标跟踪算法及绊线判定,道口监控系统在半年试运行期内均能正常工作。
刘卫平[8]（2020）在《面向炼钢作业测温取样工艺的视觉系统设计与实现》文中指出钢铁制造各工序技术水平的发展关系到我国工业现代化和制造智能化的进程。在传统的炼钢作业测温取样工艺中,需要人工周期性对测温枪套接取样器,并且回收测温完成后燃烧的取样器送检。由于该工艺危险系数较高,急需构建面向测温取样工艺的机器人自动化作业系统代替人工作业。本文主要围绕炼钢作业中的测温取样任务,通过搭建视觉系统,研究复杂环境光下如何对取样器端面退化图像进行增强处理,继而通过基于线段和弧线段检测器的特征提取算法对物料仓架上的取样器和固定在链式传动机构上的测温枪进行检测和定位,再对取样器的抓取位进行视觉测量,设计了面向测温取样工艺的视觉检测和定位方法。本文的主要研究内容如下:1.在测温取样任务中,取样器为圆管状结构,其端面图像受到复杂背景光干扰会导致成像图像退化出现特征不明显、缺损或者伪特征的情况,本文提出了基于灰度直方图关键点约束的同态滤波图像增强方法。该方法首先对图像光照反射模型进行建模,在灰度直方图中选取合适的关键点,计算其灰度区间像素比率值作为控制矩阵参数,用于控制频域滤波器的形式,以自适应于不同光照条件下的图像增强。该方法对低照度图像拉伸对比度同时提升亮度,对高照度图像采用低通滤波器抑制高频信号,减小高光照条件下引入的伪轮廓对目标识别的影响。2.在目标特征检测和定位中,由于取样器加工精度限制及测温枪接触钢液导致特征变形或不明显,使得传统特征提取算法效果较差甚至失效,本文设计一种基于局部特征聚类拟合的自底向上特征提取方法,结合线段检测器、弧线段检测器及局部特征窗口进行识别和定位。首先通过对目标的基础线段特征、弧线段特征以及局部特征模板进行提取,同时根据已有算法的缺陷进行约束和改进,再通过设计特定的轮廓提取策略进行聚类和拟合获得目标的定位信息。该方法较传统工业视觉的特征提取算法具有更高的精度和鲁棒性,为机器人作业提供了更精确的信息。3.针对上述提出的视觉检测和定位方法进行了实验验证。首先对实验室环境不同强度光照和实验现场不同曝光参数下的取样器端面图像进行图像增强算法的有效性验证,随后采用光电传感器对取样器末端面定位结果进行精度测试,同时与其它算法结果进行对比实验,最后设计实验测量取样器抓取位的测量精度以及采用激光跟踪仪测量测温枪的定位精度。综上所述,针对炼钢作业测温取样工艺,本文提出了一种处理复杂光照条件下目标视觉检测和定位的方法,在没有人为干预的情况下,能够有效完成对取样器和测温枪的识别和定位任务,最终与工业机器人进行配合实现自动化作业,同时验证了本文提出的方法在实际工业现场作业的有效性。
黄宝生[9]（2019）在《住宅小区智能控制系统设计》文中认为随着近年来智能产业的快速发展,智能控制系统从特别行业、应用逐渐向各行各业传播;智能技术已经从建筑物转移到小区,并己进入数以千计的家庭,小区也在不断的丰富和发达。在智能建筑技术的新发展之后,人们将智能建筑技术扩展到住宅小区进行综合管理,这样的小区被称为智能住宅小区。智能住宅小区己经成为智能楼宇之后建筑业的新热点。所谓的智能住宅小区,提供的功能服务可以是三重的:安全的生活环境,便利的管理服务,以及稳定的居住保障。协调这些房屋设施和小区环境之间的管理和维护、建设智能社区和智能住宅的首要目的是提高居民的生活品质,为人们供应多样化的信息和安全的生活环境。在提供安全、舒适、方便和可持续的生活环境的前提下,易于管理和联合控制。本文通过对智能控制系统的设计理念、系统组成、使用功能等问题进行研究分析,以衡阳东路51号小区为背景,根据项目设计需求,从住宅小区的设备自控、智能安防、小区管理三个方面设计了住宅小区自控系统、闭路电视与监控系统、消防报警系统、电子门禁系统、楼宇对讲系统、停车场管理系统、巡更管理系统、周界报警系统等,利用计算机技术,通迅技术,智能控制技术等,实现系统功能,给居住者提供舒适、安全、便捷的系统服务。
倪立腾[10]（2019）在《手持式拉曼快检仪关键技术研究》文中进行了进一步梳理随着科学技术进步,拉曼光谱技术已经不拘泥实验室科研领域的研究,而逐渐应用于食品、安检、生命科学和珠宝鉴定等领域。手持式拉曼快检仪的发展将有助于拉曼光谱技术的应用更加广泛、更加便捷。然而,目前还存在一些手持式拉曼快检仪的关键技术问题尚待解决,诸如快检仪仪器体积较大、检测过程耗时较长且步骤繁琐不利于推广、仅仅对检测物质进行定性分析而定量分析较为困难、微型拉曼光谱仪分辨率较低等问题,这些问题制约着手持式拉曼快检仪的发展。因此,本文在课题组前期便携式拉曼快检仪研究基础上,对手持式拉曼快检仪的关键技术进行研究和设计。本文主要包括对手持式拉曼快检仪体积的小型化、自动积分的智能检测以及常规拉曼检测的定量分析等关键技术进行研究。本文主要工作内容包括以下几点:（1）根据手持式拉曼快检仪的性能指标和功能需求,进行总体设计。硬件上采用分离式的双CPU、双系统设计,注重硬件的集成化、模块化和小型化设计,选用微型光谱仪和核心板来缩小硬件体积。软件上采用B/S架构进行开发,并对相应功能进行设计和实现。（2）对自动积分算法进行研究,提出一种基于简单模糊规则的动态PI控制的自动积分算法。通过使用该算法,能够实现对任意样品的拉曼信号采集,确保样品拉曼峰不会因为信号太弱而被噪声“淹没”或者因为信号太强导致溢出,并通过实验分析验证了该算法的可行性。该算法省却了人工手动调节积分参数的过程,缩短了检测的时间,降低了样品的漏检率,提高样品拉曼光谱信噪比,实现了自适应采谱,收敛速度快。（3）对拉曼检测的定量分析算法进行研究,并以乙醇溶液定量分析为例子,提出一种非线性的多峰定量方法。经过基线校准算法处理,扣除背景对光谱的影响,同时对峰强进行转化,克服了不同积分时间对光谱数据的影响,通过建立三种乙醇溶液的定量分析模型,得出非线性定量模型的预测能力优于线性模型,且三次曲线模型优于二次曲线模型,综合多个特征峰的预测结果,采取排除离群值后求平均来作为最后的定量分析结果,来该方法定量准确度较高,通用性较高,可推广到其它常规拉曼物质的定量分析。对推动拉曼光谱在定量分析的应用上有重要意义。
二、一种智能化网线检测器的设计（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、一种智能化网线检测器的设计（论文提纲范文）
（1）化工厂多层气化车间巡检机器人设计及图像智能识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题研究背景 |
| 1.1.2 课题研究意义 |
| 1.2 国内外研究与发展现状 |
| 1.2.1 图像识别技术的研究与发展现状 |
| 1.2.2 图像配准技术的研究与发展现状 |
| 1.2.3 卷积神经网络的研究与发展现状 |
| 1.3 搭载图像智能识别技术的巡检机器人设计需求分析 |
| 1.4 本文的主要研究内容及论文结构安排 |
| 2 多层气化车间巡检机器人系统的硬件设计与实现 |
| 2.1 巡检机器人各模块组成及功能设计 |
| 2.1.1 巡检机器人中央控制与图像智能处理模块设计 |
| 2.1.2 底层运动控制模块的组成与设计 |
| 2.1.3 图像采集模块组成与智能识别流程 |
| 2.1.4 巡检机器人整机性能 |
| 2.2 电梯控制系统的模块组成与功能设计 |
| 2.2.1 电梯控制系统的设计分析 |
| 2.2.2 电梯控制系统的硬件组成与功能设计 |
| 2.3 网络通信系统的设计与部署 |
| 2.3.1 网络通信系统的结构及设备整体部署 |
| 2.3.2 网络设备选型及各楼层部署 |
| 2.4 巡检机器人上位机控制与显示系统功能设计 |
| 2.4.1 巡检机器人上位机系统的部署 |
| 2.4.2 巡检机器人上位机界面 |
| 2.5 本章小结 |
| 3 巡检机器人目标检测任务中的图像智能识别技术研究 |
| 3.1 基于图像特征点的图像匹配算法研究 |
| 3.1.1 图像匹配的定义与过程推理 |
| 3.1.2 图像特征点提取算法研究与仿真 |
| 3.2 图像特征点提取算法的实验对比与改进 |
| 3.2.1 图像特征点提取算法的实验对比 |
| 3.2.2 基于图像特征点检测的改进型匹配策略 |
| 3.2.3 基于RANSAC算法的误匹配删除 |
| 3.2.4 实验结果及分析 |
| 3.3 本章小结 |
| 4 优化“机梯交互”策略中的图像智能识别技术研究 |
| 4.1 机器人与电梯交互的阻塞分析及策略优化 |
| 4.1.1 电梯运行的逻辑分析 |
| 4.1.2 电梯运行的阻塞分析 |
| 4.1.3 “机梯交互”策略的优化 |
| 4.2 优化“机梯交互”策略的参照物识别 |
| 4.2.1 参照物的选取与定位 |
| 4.2.2 CNN的结构组成概述 |
| 4.2.3 QR码的识别与训练流程 |
| 4.2.4 QR码的训练结果及分析 |
| 4.2.5 优化后的机器人乘梯效果 |
| 4.3 本章小结 |
| 5 巡检机器人智能读表任务中的图像智能识别技术研究 |
| 5.1 MTCNN的原理与技术实现 |
| 5.1.1 MTCNN原理概述 |
| 5.1.2 激活函数 |
| 5.1.3 目标函数 |
| 5.1.4 MTCNN算法的评估指标 |
| 5.2 MTCNN的模型结构与作用 |
| 5.2.1 P-Net网络模型结构与作用 |
| 5.2.2 R-Net网络模型结构与作用 |
| 5.2.3 O-Net网络模型结构与作用 |
| 5.3 MTCNN的训练过程 |
| 5.3.1 指针式仪表数据集的制作 |
| 5.3.2 指针式仪表表盘训练样本的构建 |
| 5.3.3 MTCNN的表盘模型推理与训练过程 |
| 5.3.4 MTCNN性能指标的分析 |
| 5.4 基于改进CNN的表盘数字识别 |
| 5.4.1 训练数据集的制作 |
| 5.4.2 改进CNN网络模型的构建与训练 |
| 5.4.3 表盘刻度数字的识别与定位 |
| 5.5 指针式仪表示数判别 |
| 5.5.1 Hough直线检测仪表指针 |
| 5.5.2 距离法判别示数的原理与分析 |
| 5.5.3 实验结果分析 |
| 5.5.4 现场应用分析 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表学术论文目录 |
（2）采煤机工作空间人员检测与预警关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源及背景 |
| 1.2 课题研究现状及存在问题 |
| 1.3 课题研究内容与方法 |
| 1.4 课题研究意义 |
| 2 采煤机工作空间人员检测与预警技术总体设计 |
| 2.1 综采工作面总体布置 |
| 2.2 采煤机工作空间人员检测与预警技术 |
| 2.3 本章小结 |
| 3 综采工作面红外图像去噪技术研究 |
| 3.1 综采工作面红外热成像技术的适用性分析 |
| 3.2 综采工作面红外图像去噪技术 |
| 3.3 仿真分析 |
| 3.4 本章小结 |
| 4 采煤机工作空间移动目标运动特征提取技术研究 |
| 4.1 采煤机工作空间人员检测问题 |
| 4.2 基于窗口尺寸自适应Lucas–Kanade光流移动目标运动特征检测 |
| 4.3 采煤机工作空间移动目标运动特征提取 |
| 4.4 仿真分析 |
| 4.5 本章小结 |
| 5 采煤机工作空间移动目标位置信息检测方法研究 |
| 5.1 采煤机工作空间移动目标位置信息检测算法实现 |
| 5.2 综采工作面红外图像分割 |
| 5.3 基于群智能的局部信息加权直觉模糊C聚类算法 |
| 5.4 基于投票法的采煤机工作空间人员检测方法 |
| 5.5 仿真分析 |
| 5.6 本章小结 |
| 6 基于卡尔曼滤波的采煤机工作空间人员位置预测和危险状态预警技术研究 |
| 6.1 采煤机工作空间人员运动状态预测及预警功能实现 |
| 6.2 基于卡尔曼滤波的运动预测 |
| 6.3 机动目标跟踪模型 |
| 6.4 基于卡尔曼滤波的运动预测算法 |
| 6.5 采煤机工作空间人员预警实现 |
| 6.6 本章小结 |
| 7 实验研究 |
| 7.1 采煤机工作空间人员检测与预警系统关键参数设置 |
| 7.2 采煤机工作空间人员检测功能评价 |
| 7.3 采煤机工作空间人员预警保护功能评价 |
| 7.4 采煤机工作空间人员检测与预警成功率分析 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 总结 |
| 8.2 论文创新点 |
| 8.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）基于目标检测算法的课堂异常行为识别系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题研究背景 |
| 1.2 课题研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 视频监控的国内外研究现状 |
| 1.3.2 行为识别研究现状 |
| 1.4 论文主要研究内容 |
| 1.5 论文内容安排 |
| 第2章 基础理论及关键技术概述 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 激活函数 |
| 2.2 YOLOv3算法 |
| 2.2.1 Bounding boxes预测 |
| 2.2.2 特征提取器 |
| 2.3 嵌入式处理器 |
| 2.4 V4L2视频采集技术 |
| 2.5 H.264视频编解码技术 |
| 2.6 Android技术 |
| 2.7 本章小结 |
| 第3章 课堂智能监控系统需求分析与设计 |
| 3.1 教室环境特点分析 |
| 3.2 学生异常行为特点分析 |
| 3.3 目标检测需求分析 |
| 3.4 学生异常行为识别需求分析 |
| 3.5 系统功能需求分析 |
| 3.6 数据库管理系统设计 |
| 3.7 系统总体框架设计 |
| 3.8 本章小结 |
| 第4章 基于深度网络的课堂异常行为识别 |
| 4.1 相关工作 |
| 4.2 算法设计流程 |
| 4.2.1 课堂玩手机行为识别流程 |
| 4.2.2 课堂睡觉行为识别流程 |
| 4.2.3 上课交流行为识别流程 |
| 4.2.4 整体算法流程 |
| 4.2.5 模型设计 |
| 4.2.6 数据集获取 |
| 4.2.7 训练过程 |
| 4.3 实验结果 |
| 4.4 算法适应性分析 |
| 4.5 本章小结 |
| 第5章 基于LINUX系统的视频采集与传输设计 |
| 5.1 交叉编译环境建立 |
| 5.2 开发板LINUX系统的移植 |
| 5.2.1 U-Boot的选择与移植 |
| 5.2.2 LINUX内核的移植 |
| 5.2.3 根文件系统的移植 |
| 5.3 嵌入式视频采集模块的设计 |
| 5.4 视频数据的编解码 |
| 5.4.1 视频数据的编码设计 |
| 5.4.2 视频数据的解码设计 |
| 5.5 基于TCP协议的视频传输设计 |
| 5.6 基于Android的报警设计 |
| 5.7 本章小结 |
| 第6章 系统测试 |
| 6.1 测试环境 |
| 6.2 硬件设备连接 |
| 6.3 系统功能测试 |
| 6.3.1 系统登录界面测试 |
| 6.3.2 系统具体功能测试 |
| 6.5 手机终端APP报警功能测试 |
| 6.6 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
（4）樊庄区块煤层气单井自动化测控单元的优选及地质评估（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题来源及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容、方法和技术路线 |
| 1.4 论文工作量 |
| 2 煤层气排采与监测背景 |
| 2.1 樊庄区块地质概况 |
| 2.2 煤层气的排采方法 |
| 2.3 监测背景 |
| 3 自动化测控单元的排采实验 |
| 3.1 套压控制实验 |
| 3.2 降流压实验 |
| 3.3 小结 |
| 4 自动化测控单元的现场测试 |
| 4.1 通信质量 |
| 4.2 数据采集与上传 |
| 4.3 远程控制 |
| 4.4 故障信息 |
| 4.5 使用寿命 |
| 5 经济性价比 |
| 5.1 性能评价 |
| 5.2 经济性评价 |
| 5.3 性价比 |
| 6 地质评估与工程优化 |
| 6.1 第一代测控单元的评价与改进 |
| 6.2 传输方式等的改变与影响 |
| 6.3 通信质量与故障信息的优化 |
| 6.4 光纤改造的成果 |
| 7 结论 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（5）全生长期树上苹果识别与生长参数远程检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究的背景、目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 果实分割与识别研究现状 |
| 1.2.2 基于计算机视觉的果实生长检测研究现状 |
| 1.2.3 存在的问题分析 |
| 1.3 研究内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 1.5 论文组织结构 |
| 第二章 基于R-FCN的疏果前苹果目标识别方法研究 |
| 2.1 引言 |
| 2.2 图像采集与供试样本 |
| 2.3 基于R-FCN的疏果前苹果目标识别模型 |
| 2.3.1 基础FCN |
| 2.3.2 区域生成网络(RPN) |
| 2.3.3 ROI子网 |
| 2.3.4 网络误差函数 |
| 2.4 苹果目标识别试验 |
| 2.4.1 试验平台 |
| 2.4.2 模型训练 |
| 2.4.3 评价指标 |
| 2.5 苹果识别结果与讨论 |
| 2.5.1 识别模型结构 |
| 2.5.2 苹果目标识别结果与分析 |
| 2.5.3 与其他方法的对比 |
| 2.5.4 讨论 |
| 2.6 本章小结 |
| 第三章 基于SUN视觉注意模型及显着轮廓检测的苹果图像分割方法研究 |
| 3.1 引言 |
| 3.2 图像获取与供试样本 |
| 3.3 苹果图像分割算法 |
| 3.3.1 苹果图像分割算法的思想和流程 |
| 3.3.2 基于SUN视觉注意模型的图像初步分割 |
| 3.3.3 质心提取 |
| 3.3.4 图像锐化 |
| 3.3.5 基于gPb-OWT-UCM和Otsu阈值分割的显着轮廓提取 |
| 3.3.6 基于区域生长的苹果图像分割 |
| 3.3.7 对比方法 |
| 3.3.8 算法评价标准 |
| 3.4 分割结果与分析 |
| 3.4.1 本文方法与其他方法分割结果对比 |
| 3.4.2 不同数据集上的分割结果 |
| 3.4.3 时间效率分析 |
| 3.5 讨论 |
| 3.6 本章小结 |
| 第四章 基于深度学习网络模型的苹果轮廓检测方法研究 |
| 4.1 引言 |
| 4.2 供试数据 |
| 4.3 深度学习网络模型 |
| 4.3.1 苹果目标轮廓检测网络模型 |
| 4.3.2 网络模型误差函数 |
| 4.3.3 网络模型训练 |
| 4.3.4 对比方法 |
| 4.3.5 网络模型评价指标 |
| 4.4 轮廓检测结果与讨论 |
| 4.4.1 苹果轮廓提取结果与分析 |
| 4.4.2 与其他方法对比分析 |
| 4.4.3 讨论 |
| 4.5 本章小结 |
| 第五章 基于轮廓检测的树上苹果生长参数远程检测方法研究 |
| 5.1 引言 |
| 5.2 供试对象及苹果生长参数检测硬件系统 |
| 5.2.1 试验场地及试验对象 |
| 5.2.2 苹果生长参数检测硬件系统 |
| 5.3 苹果生长参数远程检测方法 |
| 5.3.1 苹果生长参数远程检测算法总体描述 |
| 5.3.2 图像获取、摄像机参数设置及图像预处理 |
| 5.3.3 图像分割 |
| 5.3.4 苹果横径提取方法 |
| 5.4 苹果生长参数远程检测系统软件设计 |
| 5.5 对比方法与评价标准 |
| 5.6 结果与讨论 |
| 5.6.1 苹果横径生长参数检测结果与分析 |
| 5.6.2 误差分析 |
| 5.6.3 与其他苹果生长参数检测系统对比 |
| 5.6.4 与其他横径检测方法对比 |
| 5.6.5 所开发系统的局限性 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）生物智能启发的数据流安全存储与实时计算（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 云端数据的安全存储 |
| 1.2.2 数据流的实时计算 |
| 1.2.3 生物智能启发算法 |
| 1.3 研究内容和创新点 |
| 1.3.1 研究内容 |
| 1.3.2 创新点 |
| 1.4 章节安排 |
| 第二章 数据流基础与相关生物学机理 |
| 2.1 引言 |
| 2.2 大数据与云计算 |
| 2.2.1 大数据治理 |
| 2.2.2 云计算 |
| 2.2.3 数据流 |
| 2.3 生物免疫系统 |
| 2.3.1 否定选择算法 |
| 2.3.2 克隆选择算法 |
| 2.3.3 免疫记忆机制 |
| 2.4 类脑记忆系统 |
| 2.4.1 分层记忆机制 |
| 2.4.2 时序记忆机制 |
| 2.5 小结 |
| 第三章 生物免疫机制启发的云端数据流安全存储与高效计算 |
| 3.1 引言 |
| 3.2 背景描述与研究目标 |
| 3.2.1 背景描述 |
| 3.2.2 研究目标 |
| 3.3 基于IDIA的云端数据存储 |
| 3.3.1 数据预处理与自体样本生成 |
| 3.3.2 改进的否定选择算法iNSA |
| 3.3.3 改进的动态克隆选择算法iDCS |
| 3.4 云端数据提取 |
| 3.4.1 IDIA下的云端数据存储与检索 |
| 3.4.2 分层检索策略 |
| 3.5 IDIA性能评估 |
| 3.6 小结 |
| 第四章 类脑分层记忆机制启发的异常数据流高效处理方法 |
| 4.1 引言 |
| 4.2 研究背景与研究目标 |
| 4.2.1 研究背景 |
| 4.2.2 研究目标 |
| 4.3 HMN构建 |
| 4.3.1 数据样本表征 |
| 4.3.2 类脑记忆、回忆与遗忘机制建模 |
| 4.3.3 分层记忆网络 |
| 4.4 HMN在动态环境下的自适应更新 |
| 4.4.1 评估新样本 |
| 4.4.2 HMN中的样本更新 |
| 4.5 仿真及结果分析 |
| 4.5.1 基于公共数据集的HMN构建 |
| 4.5.2 基于公共数据集的HMN性能评估 |
| 4.5.3 基于真实数据集的HMN性能评估 |
| 4.6 小结 |
| 第五章 类脑时序记忆机制启发的数据流概念漂移实时监测与自适应学习 |
| 5.1 引言 |
| 5.2 研究背景和研究目标 |
| 5.2.1 研究背景 |
| 5.2.2 研究目标 |
| 5.3 动态环境实时监测 |
| 5.3.1 稀疏离散编码 |
| 5.3.2 影响SDR的主要指标 |
| 5.3.3 基于决策矩阵的概念漂移实时监测 |
| 5.4 动态环境自适应学习 |
| 5.4.1 时序记忆网络构建 |
| 5.4.2 时序记忆网络学习 |
| 5.5 仿真及结果分析 |
| 5.5.1 概念漂移实时监测与编码器自适应更新 |
| 5.5.2 基于时序记忆网络的数据流动态环境实时预测 |
| 5.6 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 附录 A 攻读博士学位期间取得的成果 |
| 附录 B 攻读博士学位期间参与的项目 |
| 附录 C 攻读博士学位期间获得的奖励和荣誉 |
（7）铁路道口视频监控系统设计与多目标跟踪算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 视频监控系统研究现状 |
| 1.2.2 目标检测算法研究现状 |
| 1.2.3 多目标跟踪算法研究现状 |
| 1.3 车辆数据集 |
| 1.3.1 标准数据集的选择 |
| 1.3.2 道口车辆数据集建设(RC-CAR) |
| 1.4 研究内容与论文结构 |
| 第2章 道口智能视频监控系统分析与设计 |
| 2.1 工程需求分析 |
| 2.1.1 依托工程的道口情况 |
| 2.1.2 智能视频监控系统分析 |
| 2.2 道口智能视频监控系统框架设计 |
| 2.3 道口视频系统服务器端设计 |
| 2.3.1 服务器端总述 |
| 2.3.2 道口视频系统流媒体服务模块设计 |
| 2.3.3 道口视频系统传输模块设计 |
| 2.3.4 视频系统存储模块设计 |
| 2.3.5 视频系统算法分析模块设计 |
| 2.4 道口视频系统显示操作端设计 |
| 2.4.1 视频系统显示模块设计 |
| 2.4.2 视频系统报警模块设计 |
| 2.5 本章小结 |
| 第3章 Faster R-CNN网络研究和改进 |
| 3.1 基于深度学习的铁路道口车辆检测算法概述 |
| 3.2 基于Faster R-CNN网络的检测框架搭建 |
| 3.2.1 Faster R-CNN网络总述 |
| 3.2.2 特征图提取 |
| 3.2.3 区域选取网络(RPN) |
| 3.2.4 分类与回归 |
| 3.2.5 激活函数选择 |
| 3.2.6 损失函数计算 |
| 3.3 Density Faster R-CNN道口车辆检测识别算法 |
| 3.3.1 存在问题及解决方法 |
| 3.3.2 生成密度图 |
| 3.3.3 Density Faster R-CNN算法 |
| 3.4 Density Faster R-CNN模型训练及结果分析 |
| 3.4.1 实验环境与设备 |
| 3.4.2 模型训练与参数设置 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 多目标车辆跟踪算法研究 |
| 4.1 多目标跟踪引言 |
| 4.2 多目标车辆跟踪算法 |
| 4.2.1 多目标跟踪算法选择 |
| 4.2.2 卡尔曼滤波 |
| 4.2.3 匈牙利算法 |
| 4.2.4 SORT算法流程 |
| 4.3 基于改进Faster R-CNN与SORT算法的多目标跟踪实现 |
| 4.3.1 样本视频准备 |
| 4.3.2 跟踪评价指标 |
| 4.3.3 实验结果 |
| 4.4 绊线事件规则制定 |
| 4.4.1 绊线事件的定义 |
| 4.4.2 基于图像处理的规则制定 |
| 4.5 本章小结 |
| 第5章 多目标跟踪算法在道口智能监控的应用 |
| 5.1 海港铁路道口车辆跟踪系统搭建 |
| 5.1.1 车辆跟踪系统架构及实现环境 |
| 5.1.2 Tensorflow移植至项目工程 |
| 5.1.3 监控视频实时调取 |
| 5.1.4 图像预处理 |
| 5.1.5 车辆跟踪显示 |
| 5.1.6 车辆跟踪绊线事件的实现 |
| 5.2 海港铁路道口监控界面实例演示 |
| 5.2.1 监控系统界面介绍 |
| 5.2.2 监控系统实例展示 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 主要研究总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 作者在攻读硕士学位期间发表的学术论文 |
（8）面向炼钢作业测温取样工艺的视觉系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究的主要问题 |
| 1.3 研究现状及相关技术 |
| 1.3.1 研究现状 |
| 1.3.2 图像复原和图像增强技术 |
| 1.3.3 特征检测与匹配算法 |
| 1.4 论文的主要内容和章节安排 |
| 1.4.1 论文的主要内容 |
| 1.4.2 论文章节安排 |
| 第二章 炼钢作业测温取样工艺视觉系统设计 |
| 2.1 测温取样工艺系统硬件结构 |
| 2.2 视觉检测系统软件结构 |
| 2.3 本章小结 |
| 第三章 基于灰度直方图关键点约束的同态滤波图像增强算法 |
| 3.1 问题分析 |
| 3.2 光照反射模型建模 |
| 3.3 图像增强算法设计 |
| 3.3.1 同态滤波算法 |
| 3.3.2 自适应滤波器设计 |
| 3.3.3 控制矩阵参数设计 |
| 3.4 本章小结 |
| 第四章 基于局部特征的目标检测与定位方法设计 |
| 4.1 待检测目标特征分析 |
| 4.2 基于线段检测器的测温枪末端检测与定位 |
| 4.2.1 线段特征检测 |
| 4.2.2 直线特征拟合 |
| 4.2.3 测温枪轮廓提取策略 |
| 4.3 基于弧线段检测器的取样器端面检测与定位 |
| 4.3.1 弧线段特征检测 |
| 4.3.2 圆特征拟合 |
| 4.3.3 取样器端面内轮廓提取策略 |
| 4.4 基于滑窗模板匹配的取样器抓取位测量 |
| 4.4.1 模板选取 |
| 4.4.2 滑动窗口匹配策略 |
| 4.5 本章小结 |
| 第五章 实验与分析 |
| 5.1 取样器检测和定位实验 |
| 5.1.1 图像增强算法验证 |
| 5.1.2 取样器端面检测和定位实验 |
| 5.1.3 取样器侧面抓取位测量实验 |
| 5.2 测温枪末端检测和定位实验 |
| 5.2.1 测温枪末端检测 |
| 5.2.2 精度测试 |
| 5.3 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 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
| 攻读学位期间申请的专利 |
（9）住宅小区智能控制系统设计（论文提纲范文）
| 摘要 |
| abstract |
| 前言 |
| 1.1 研究的目的及研究意义 |
| 1.1.1 研究的目的 |
| 1.1.2 研究的意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究的内容 |
| 1.3.1 本文研究的主要内容 |
| 第二章 智能小区概述 |
| 2.1 概述 |
| 2.2 智能化住宅小区的总体结构 |
| 2.3 小区综合集成系统功能与特点 |
| 2.3.1 智能小区特点 |
| 2.3.2 系统功能与特点 |
| 第三章 住宅小区自控系统 |
| 3.1 概述 |
| 3.2 系统组成 |
| 第四章 消防报警系统 |
| 4.1 火灾探测 |
| 4.2 联动控制 |
| 4.3 集-散型智能火灾报警、联动设备 |
| 第五章 安防保卫系统 |
| 5.1 闭路电视与监控系统 |
| 5.2 电子门禁系统 |
| 5.3 楼宇对讲系统 |
| 第六章 物业管理系统 |
| 6.1 停车场管理系统 |
| 6.2 巡更管理系统 |
| 6.3 周界报警系统 |
| 第七章 总结 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（10）手持式拉曼快检仪关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文章节安排 |
| 第2章 自动积分算法研究 |
| 2.1 研究背景 |
| 2.2 算法研究 |
| 2.3 实验和结果 |
| 2.4 本章小结 |
| 第3章 拉曼检测定量方法研究 |
| 3.1 研究背景 |
| 3.2 定量方法设计 |
| 3.3 实验和结果 |
| 3.4 本章小结 |
| 第4章 手持式拉曼快检仪设计方案 |
| 4.1 技术和功能需求 |
| 4.2 仪器指标要求 |
| 4.3 手持式快检仪总体方案 |
| 4.4 本章小结 |
| 第5章 系统硬件集成设计 |
| 5.1 硬件设计总体方案 |
| 5.2 主控制器模块 |
| 5.3 电源模块 |
| 5.4 多种光谱仪模块 |
| 5.5 指纹采集模块 |
| 5.6 身份证信息采集模块 |
| 5.7 本章小结 |
| 第6章 软件设计与实现 |
| 6.1 软件设计总体方案 |
| 6.2 前后端TCP/IP通信功能实现 |
| 6.3 光谱仪驱动程序及功能实现 |
| 6.4 指纹采集驱动及功能实现 |
| 6.5 身份证采集及功能实现 |
| 6.6 GPS定位程序设计及功能实现 |
| 6.7 本章小结 |
| 第7章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的科研成果 |
| 致谢 |
四、一种智能化网线检测器的设计（论文参考文献）
- [1]化工厂多层气化车间巡检机器人设计及图像智能识别技术研究[D]. 蔡佩征. 青岛科技大学, 2021(01)
- [2]采煤机工作空间人员检测与预警关键技术研究[D]. 魏东. 中国矿业大学, 2021
- [3]基于目标检测算法的课堂异常行为识别系统研究[D]. 王京. 成都理工大学, 2020(04)
- [4]樊庄区块煤层气单井自动化测控单元的优选及地质评估[D]. 孟祥迎. 中国矿业大学, 2020(03)
- [5]全生长期树上苹果识别与生长参数远程检测方法研究[D]. 王丹丹. 西北农林科技大学, 2020(02)
- [6]生物智能启发的数据流安全存储与实时计算[D]. 王伟凯. 东华大学, 2020(01)
- [7]铁路道口视频监控系统设计与多目标跟踪算法研究[D]. 代孟廷. 武汉理工大学, 2020(08)
- [8]面向炼钢作业测温取样工艺的视觉系统设计与实现[D]. 刘卫平. 上海交通大学, 2020(01)
- [9]住宅小区智能控制系统设计[D]. 黄宝生. 广西大学, 2019(06)
- [10]手持式拉曼快检仪关键技术研究[D]. 倪立腾. 厦门大学, 2019(09)