| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 课题研究背景及研究意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-17页 |
| 1.2.1 放空火炬燃烧控制系统的烟雾监测方法现状 | 第12-13页 |
| 1.2.2 烟雾检测算法相关研究现状 | 第13-14页 |
| 1.2.3 基于CNN的图像分割的现状及烟雾分割任务的难点 | 第14-16页 |
| 1.2.4 CNN超分辨率算法现状及火炬图像应用的问题 | 第16-17页 |
| 1.3 课题来源 | 第17页 |
| 1.4 研究内容及论文安排 | 第17-22页 |
| 第2章 卷积神经网络相关原理及技术 | 第22-34页 |
| 2.1 卷积神经网络基本理论 | 第22-27页 |
| 2.1.1 卷积神经网络基本组成 | 第23-26页 |
| 2.1.2 卷积神经网络的复杂度分析 | 第26-27页 |
| 2.2 卷积神经网络性能优化的基本方法 | 第27-32页 |
| 2.2.1 卷积神经网络结构优化的基本方法 | 第27-30页 |
| 2.2.2 针对烟雾图像的数据增强方法 | 第30-32页 |
| 2.3 本章小结 | 第32-34页 |
| 第3章 基于卷积神经网络的烟雾图像分类算法 | 第34-44页 |
| 3.1 烟雾图像分类网络的设计 | 第34-37页 |
| 3.1.1 卷积神经网络可视化分析 | 第34-36页 |
| 3.1.2 卷积神经网络深度设计 | 第36-37页 |
| 3.2 针对烟雾图像特征设计的卷积网络分类算法 | 第37-40页 |
| 3.2.1 烟雾图像分类任务的卷积神经网络结构设计 | 第37-39页 |
| 3.2.2 烟雾图像分类任务的卷积神经网络训练 | 第39-40页 |
| 3.3 实验设计与结果分析 | 第40-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 基于卷积神经网络的图像烟雾分割算法 | 第44-60页 |
| 4.1 建立火炬图像烟雾分割数据库 | 第44-47页 |
| 4.1.1 放空火炬图像采集 | 第44-46页 |
| 4.1.2 放空火炬图像分割标注 | 第46-47页 |
| 4.2 基于卷积神经网络的图像烟雾分割算法 | 第47-52页 |
| 4.2.1 基于浅层全卷积网络结构的图像烟雾分割算法 | 第48-50页 |
| 4.2.2 基于多尺度特征复用的全卷积图像烟雾分割算法 | 第50-52页 |
| 4.3 实验设计与结果分析 | 第52-56页 |
| 4.4 基于图像压缩的烟雾分割模型优化 | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 基于卷积神经网络的烟雾图像超分辨率算法 | 第60-68页 |
| 5.1 基于卷积神经网络的烟雾图像超分辨率模型设计 | 第60-63页 |
| 5.1.1 基于卷积神经网络的通用图像超分辨率模型设计 | 第60-62页 |
| 5.1.2 针对烟雾图像的超分辨率模型设计 | 第62-63页 |
| 5.2 实验设计与结果分析 | 第63-67页 |
| 5.3 本章小结 | 第67-68页 |
| 第6章 放空火炬烟雾监控系统软件和烟雾监测器设计 | 第68-80页 |
| 6.1 放空火炬烟雾监控软件系统 | 第68-73页 |
| 6.1.1 软件系统的需求分析及设计方案 | 第68-69页 |
| 6.1.2 软件系统的功能介绍 | 第69-73页 |
| 6.2 放空火炬黑烟监测器设计 | 第73-79页 |
| 6.2.1 放空火炬黑烟监测器的需求分析及设计方案 | 第73页 |
| 6.2.2 硬件选型与实物组成 | 第73-79页 |
| 6.3 本章小结 | 第79-80页 |
| 结论与展望 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 攻读硕士学位期间的成果 | 第88页 |
| 攻读硕士学位期间所获奖励 | 第88-90页 |
| 致谢 | 第90页 |
广告服务 
