基于TensorFlow的Android平台智能监管功能研究与实现 |
论文目录 |
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 相关技术国内外发展研究现状 | 第11-12页 |
| 1.2.1 OCR技术 | 第11-12页 |
| 1.2.2 目标检测 | 第12页 |
| 1.3 论文主要研究内容及组织结构 | 第12-13页 |
| 1.4 本章小结 | 第13-15页 |
| 第二章 智能监管功能的关键技术研究 | 第15-24页 |
| 2.1 OCR技术 | 第15-18页 |
| 2.1.1 深度学习的OCR技术 | 第15-17页 |
| 2.1.2 优化后的OCR流程 | 第17-18页 |
| 2.2 目标检测技术 | 第18-23页 |
| 2.2.1 传统目标检测技术 | 第18-19页 |
| 2.2.2 基于候选区域的目标检测技术 | 第19-20页 |
| 2.2.3 基于回归方法的目标检测技术 | 第20-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 算法的优化以及仿真分析 | 第24-41页 |
| 3.1 影响YOLO算法的因素 | 第24-30页 |
| 3.1.1 Anchor机制概述 | 第24-26页 |
| 3.1.2 Anchor机制在YOLO中作用 | 第26-27页 |
| 3.1.3 目前对Anchor机制改进的方法以及存在的问题 | 第27-30页 |
| 3.2 YOLO算法设置Anchor box的优化方法及实现 | 第30-36页 |
| 3.2.1 基于IOU距离的K-Means++算法 | 第30-33页 |
| 3.2.2 基于IOU距离的K-Means++算法实现 | 第33-35页 |
| 3.2.3 基于TensorFlow的YOLO算法实现 | 第35-36页 |
| 3.3 对比实验与分析 | 第36-40页 |
| 3.3.1 算法检测目标速度对比分析 | 第36-37页 |
| 3.3.2 算法的错检率对比分析 | 第37页 |
| 3.3.3 算法的平均精度均值对比分析 | 第37-39页 |
| 3.3.4 算法的收敛速度对比分析 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于TensorFlow的Android平台智能监管设计与实现 | 第41-58页 |
| 4.1 需求分析与架构设计 | 第41-44页 |
| 4.1.1 需求分析 | 第41-42页 |
| 4.1.2 项目架构设计 | 第42-44页 |
| 4.2 环境搭建 | 第44-46页 |
| 4.2.1 TensorFlow训练环境搭建 | 第44-45页 |
| 4.2.2 移动端开发环境搭建 | 第45-46页 |
| 4.3 系统功能模块实现 | 第46-52页 |
| 4.3.1 图像采集模块 | 第46-48页 |
| 4.3.2 预处理模块 | 第48-49页 |
| 4.3.3 信息识别模块 | 第49-51页 |
| 4.3.4 展示模块 | 第51-52页 |
| 4.4 系统测试结果与分析 | 第52-57页 |
| 4.4.1 系统测试环境 | 第52-53页 |
| 4.4.2 系统模块测试 | 第53-55页 |
| 4.4.3 系统整体测试 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 文章总结 | 第58-59页 |
| 5.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间取得的研究成果 | 第64页 |
|
| |
