卷积神经网络在产品缺陷识别中的应用开题报告

 2020-02-20 09:02

1. 研究目的与意义(文献综述)

前几年,深度学习在解决诸如图像目标识别、语音识别和自然语言处理等很多方面都表现出色。在各种类型的神经网络当中,卷积神经网络的研究最为深入。早期由于缺乏训练数据和计算能力,要在不产生过拟合的情况下训练出高性能卷积神经网络是很困难的。imagenet这样的大规模标记数据的出现和gpu计算性能的快速提高,使得对卷积神经网络的研究迅速井喷。

20世纪 90年代,lecun等人发表论文,确立了cnn的现代结构,后来又对其进行完善。然而,由于当时缺乏大规模训练数据,计算机的计算能力也跟不上,lenet-5对于复杂问题的处理结果并不理想。之后,人们设计了很多方法,想要克服难以深度训练cnn的困难。其中,最著名的是krizhevsky等人提出了一个经典的cnn结构,并在图像识别任务上取得了重大突破。从结构看,cnn发展的一个方向就是层数变得更多,通过增加深度,网络便能够利用增加的非线性得出目标函数的近似结构,同时得出更好的特性表征。但是,这样做同时也增加了网络的整体复杂程度,使网络变得难以优化,很容易过拟合。研究人员提出了很多方法来解决这一问题。

三大改进型cnn:

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

卷积神经网络(convolutional neural networks, cnn)是一类包含卷积计算且具有深度结构的前馈神经网络(feedforward neural networks),是深度学习(deeplearning)的代表算法之一。由于卷积神经网络能够进行平移不变分类(shift-invariantclassification),因此也被称为“平移不变人工神经网络(shift-invariant artificial neural networks, siann)” 。主要研究卷积神经网络在产品缺陷识别中的应用,主要通过图像识别技术,实现对产品缺陷的识别。

首先,设计卷积神经网络的总体框架,运用python或者matlab编写卷积神经网络的程序。

其次,实现基于卷积神经网络的图像识别算法。主要通过输入样本进行训练,正向传播、反向传播后,逐渐提升准确率,实现较为准确的图像识别算法。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

2019.3.15 完成文献综述和英文翻译

2019.3.30 完成选题报告

2019.4.20 完成方案设计

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

1周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[j].计算机学报, 2017, 第40卷(6):1229-1251.

2李彦冬, 郝宗波, 雷航. 卷积神经网络研究综述[j].计算机应用, 2016, 第36卷(9):2508-2515,2565.

3吕国豪, 罗四维, 黄雅平等. 基于卷积神经网络的正则化方法[j]. 计算机研究与发展, 2014, (9):1891-1900.

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。