一、如何建立起一套预测式(设备)维护方案（论文文献综述）
胡皓翔[1]（2021）在《嵌入式目标检测平台架构设计与实现》文中指出随着深度学习目标检测研究越来越深入,相关技术正逐步赋能于嵌入式设备,为其提供更强的计算分析能力。深度学习环境部署和目标检测模型训练对于嵌入式开发人员存在着一定的行业门槛。当前,公交运营监控管理中也逐渐应用嵌入式目标检测。因此,为了降低深度学习目标检测技术的应用难度,本文提出了一个嵌入式目标检测平台设计方案,从而提供了一个具备较强通用性的、操作流程简便化的嵌入式目标检测平台,使其可以用于多种公交监控管理相关的场景。该平台同时具备设备管理和目标检测模型训练能力。本文主要研究内容有:1.设计一个适用于公交运营监控管理的嵌入式目标检测平台本文设计的该平台应兼具设备（车载、路侧等设备,下同）管理能力和深度学习训练测试能力的平台,可适用于嵌入式目标检测场景。本文设计的该平台应具备在线推送模型、配置文件、参数的能力;设备快速注册到平台的能力;具备视频和文本形式展示目标检测结果的能力;具备简化的统一的清晰的模型训练流程的能力。2.实现平台各功能模块并在实际场景中进行验证首先,本文实现的该平台主要分为四个模块:中心服务端、嵌入式端、文件服务器、转发服务器。中心服务端主要提供了平台所需的相关服务和同用户交互的能力;嵌入式端主要提供了嵌入式目标检测能力和接收命令、上传检测结果能力;文件服务器主要提供了模型和配置文件储存和管理能力;转发服务器主要提供了转发检测后视频流能力。接着,本文针对平台中的四个模块进行了功能测试和模块测试,证明该平台提供的相关能力的可用性和稳定性。最后,本文针对公交站台监控场景和车内拥挤度检测场景,利用该平台进行了场景测试,证明该平台可以满足公交运营监控管理场景的相关需求。3.设计一种级联特征检测算法,解决车内拥挤度检测场景问题首先,为评价车内拥挤度,本文设计了一种级联特征检测算法。该算法先通过目标检测算法得到场景中的关键目标,在经过中间连接块转化为掩模图,最后通过分类网络得到拥挤度评价结果。接着,本文进行了最优检测算法选择的实验,Yolov3以67.9%的准确率和68.0fps,在精度和速度的综合考虑下优于其他算法;本文又进行了最优分类网络选择的实验,AlexNet以82.7%的准确率和512.90fps,在精度和速度的综合考虑下优于其他网络。最后,本文选择Yolov3和AlexNet作为级联特征检测算法中的检测算法和分类网络。
黄康[2]（2021）在《基于深度学习的单目视觉SLAM关键技术研究》文中认为随着现代科技水平的不断发展,机械设备的智能化程度不断提高。近年来,无人飞机、无人汽车等自主化设备开始被广泛应用在日常生活中。作为无人设备在自主定位与路径规划中的关键技术,视觉同时定位与构图技术（Visual Simultaneous Localization and Mapping,V-SLAM）被广泛应用到设备的智能导航实践。在各种现有方案中,基于单目相机的V-SLAM系统因结构简单、初始化方便和制造成本低廉等特点而大受欢迎。然而,单目V-SLAM系统在进行定位与地图构建时存在定位累积误差、地图尺度漂移等严重问题;而基于深度学习原理构建卷积神经网络（Covolutional Neural Network,CNN）,并用其替换V-SLAM系统的某个功能模块或辅助改进该某模块的工作性能后,可显着提升系统的工作效率与导航精度。为提高单目相机的环境感知能力,本文提出了基于深度学习的单目深度估计CNN算法;为使其适用于不同工作情形,进行了网络框架的普适性调整:针对计算力较高的智能设备,搭建了基于Dense-Net网络框架的“编码-解码式”CNN;同步训练单目图像的深度值预测任务（Depth Estimation）和表面法线贴图（surface normal）预测任务,并利用表面法线引导深度估计任务的精度优化。针对无人机等小型嵌入式设备,通过轻量型网络结构Mobilenet-V2搭建深度CNN模型,在训练深度值预测网络的同时,设置了对语义信息的预测训练并利用其引导深度预测值的优化。根据单目相机的成像原理,将RGB（Red,Green,Blue）三通道编码图像按照场景的深度估计信息还原为稠密点云图像;同时,利用ORB-SLAM2算法获取图像序列的位姿变换与场景的稀疏点云地图;将上述稠密点云同稀疏点云信息有机融合,利用稠密点云修正了稀疏点云存在的单目尺度漂移缺陷;最后,利用稀疏点云修正了稠密点云图像的结构失真缺陷,由此将两者拼接为连续场景的结构鲁棒性稠密地图。三维点云图像存在结构鲁棒性差、存储空间过高和表面形貌粗糙等缺陷,本文将其转换为应用场景更加广泛的八叉树图像、网格图像与TSDF稠密三维地图,通过比较上述地图模型各自的优劣特性确定了相应的使用场景。本文设计的深度估计神经网络可实时获取周围环境的稠密场景深度,单目视觉里程计算法（Visual Odometry,VO）可快速提取输入图像的位姿特征并精确追踪单目相机运动,而将深度估计融入VO后,其生成的场景稀疏地图具有更少的尺度漂移误差。本文设计的稠密式三维场景重建算法将VO算法构建的稀疏地图与CNN预测的稠密场景深度信息相融合,重构出了细节极为丰富的三维导航地图。经上述改进工作,提高了无人设备感知陌生环境并进行实时路径规划的能力。
夏禹[3]（2021）在《基于树莓派和头部姿态估计的注意力监测系统研究与实现》文中研究指明传统线下教学中,学生注意力不集中是影响教学质量的重要因素之一,但对注意力的观测又是一个难点。发展中的计算机视觉技术为解决这一问题提供了更多可能。本文针对计算机实验教学场景,在研究头部姿态估计相关算法的基础上,融合边缘计算思想,基于开源硬件和软件,实现了一个完整的注意力监测系统。系统由采集端、服务端和监测端构成。单个采集端以树莓派作为硬件,基于Python语言开发了图像采集、头部姿态估计、注意力状态判定等核心程序,实现了对学生注意力数据的采集和处理;服务端作为系统的数据汇集和服务中心,既接收和管理来自多个采集端的注意力数据,也通过基于JavaEE的服务器为监测者提供注意力监测服务,采集端和服务端之间基于WiFi,并利用Netty和Protobuf技术实现高效的数据通信;监测端是监测者的访问入口,通过浏览器即可对学生的注意力状态进行可视化的实时监测与视频监控。头部姿态估计作为系统的核心分为两步实现:首先基于ERT算法完成人脸关键点检测,然后在此基础上利用EPnP算法实现位姿求解。同时,针对实际测试中位姿估计平均误差较大的问题,建立了融合卡尔曼滤波的评估与校正模型对算法进行优化和改进,在保证采集端流畅运行的前提下提升了监测的准确度。本文以工程化应用为目标,研究、设计并实现的注意力监测系统,具有结构清晰、部署简便、实时性强、可视化程度高等特点,较好地实现了计算机实验教学场景下对学生注意力的监测需求,对类似系统的研究也具有参考意义。
刘强[4]（2021）在《大视场小口径望远镜阵列实时天文目标探测方法》文中认为大视场小口径望远镜是一种用于观测天文及空间目标的光学仪器。由于这种设备视场大且造价低,适于广泛布置于不同台址对天空连续监测,因此在时域天文观测中被广泛使用。时域天文关注移动或具有光度变化的天体,因此大视场小口径望远镜多以短曝光的快速巡天模式获取数据。获取数据后,需要立即从观测数据中提取天文目标来为超新星、引力波电磁对应体等关键天体研究提供数据。现阶段,天文目标提取常用SExtractor等源提取算法。但是,这类算法需要调节参数以保证天文目标提取准确度。同时,这类算法存在对暗源漏检、对亮源周围目标漏检且仅能提取目标不能分类目标等问题。针对上述问题,本文研究了基于深度学习的天文目标实时提取方法,该方法通过数据驱动训练学习实现端到端的目标提取。同时,考虑到大视场小口径望远镜往往以望远镜阵列的形式布置于天文台站。而不同的大视场小口径望远镜即使在设计参数相同的情况下,指向同一个天区进行数据采集,捕获到的目标形态多样且其图像灰度级分布上也会有所差别。此时,采用前述基于深度学习的天文目标提取方法可能存在提取结果时好时坏即不稳定的问题。而从另一个角度考虑,综合这些望远镜的目标提取结果,将有可能获得强于单个望远镜的目标提取结果。因此,在单个望远镜的天文目标实时提取方法基础上,本文进一步针对天文望远镜阵列研究了天文目标提取算法。本文研究的算法将有益于提升望远镜阵列观测能力和目标信息处理效率,是大视场小口径望远镜的数据处理关键技术。本文以大视场小口径望远镜阵列作为目标仪器,建立了基于深度神经网络的端到端目标提取算法,经测试表明这种算法相比传统方法有更好的性能优势。在此基础上,提出将目标提取算法部署于嵌入式设备,进而与大视场小口径望远镜形成观测单元。研究实现的观测单元可实时获取并广播目标提取结果。在观测单元基础上,设计出一套基于集成学习算法的目标提取结果汇集算法,可用于多个大视场小口径望远镜组成的望远镜阵列数据处理方法。经验证,多望远镜阵列的天文目标协同提取方法可以提升对大视场小口径望远镜对暗弱目标的观测能力。本研究成果可以为国内外正在开展的各类望远镜阵列提供新的数据处理思路和方法,为大视场小口径望远镜阵列的广泛使用提供条件。
冯磊[5]（2021）在《基于故障预测技术的WH企业物流设备维保研究》文中研究说明物流设备是烟草商业企业进行配送的重要实现手段,设备的可靠性、故障的处理能力,在很大程度上影响了企业的配送效率和能力。WH烟草商业企业物流设备的维保管理目前还处于靠经验处理的方式,没有一套完整的设备维保流程,对于故障的机器只能进行紧急事后维修和保养,无法及时对各种异常状态和故障状态做出预测。因此,本文目的是建立一套基于设备状态数据的拉动式物流设备维保系统,优化设备维保流程,丰富以设备综合效率（OEE）为核心的TPM理论,这对于提升企业利润与效益,促进烟草行业物流设备的规范化管理具有重大意义。首先,论文介绍了 WH烟草商业企业（全文简称WH企业）物流设备维保的研究背景与意义,概述了研究方法和技术路线;其次,阐述了设备管理的相关理论,包括TPM理论和故障预测技术的最新研究成果;然后,基于线下座谈会及问卷调研,得到企业设备管理人员的设备维保相关痛点,构建了一套基于设备故障预测的拉动式设备维保体系。本文主要研究内容如下:（1）提出拉动式设备维保体系,阐述其意义与预期目标,并给出拉动式维保框架,主要包括设备故障预测模型及维保业务标准化两个层面。（2）基于长短期神经网络LSTM构造出设备故障预测模型。经过评价,表现良好,该模型具有一定的实际应用价值。（3）利用业务流程改善及TPM相关理论分析WH企业物流设备维保业务流程,如设备运作过程点检及三级保养过程,并改善不合理之处,形成标准化流程。该系统能够及时预测设备故障,从而及时保养,对提升设备综合效率、降低设备维保费用具有重要意义。
倪维成[6]（2021）在《基于循环神经网络的预测性维护方法及嵌入式实现》文中提出预测性维护（Predictive Maintenance,Pd M）技术在航空航天、轨道交通、机械装备等领域应用广泛,是实现工业现代化的关键技术之一。在“中国制造2025”和“工业4.0”的战略背景下,工业设备正日趋复杂化,工作环境也日渐恶劣。Pd M技术依据设备或系统的传感器监测数据,对其剩余使用寿命（Remaining Useful Life,RUL）进行预测,从而提前采取维护措施,保障运行安全。嵌入式设备因其体积小、可靠性高等优势被广泛应用于工业控制中。将Pd M技术部署在嵌入式设备上,能够有效减轻云端负担和数据传输压力,减少维护成本。因此,研究预测性维护技术及其嵌入式实现方法,对工业领域具有重要的意义。深度学习方法拥有强大的特征提取与数据拟合能力,目前的Pd M技术一般使用深度学习模型来建立传感器数据与RUL的映射关系。基于深度学习的RUL预测方法对计算资源、存储空间等需求较高。要在计算资源较少、存储空间较小的嵌入式环境中实现模型的部署,需要在保持预测精度的前提下,尽可能简化模型结构,压缩模型大小。基于此,为了以更高的实时性和更低的成本完成预测性维护任务,本文研究了用于RUL预测的深度学习模型,针对模型的特点提出了两种压缩方法,并成功将压缩后的模型部署到嵌入式设备中,具体开展了以下工作:1.提出了一种基于多层循环神经网络的RUL预测方法,该方法通过并联多层GRU结构,来提取监测数据中的时间序列特征,以有监督的训练方式得到序列数据与RUL的映射关系。针对该模型长期记忆能力不足的问题,将注意力机制与多层GRU模型相结合,使用注意力机制来权衡不同数据的重要性程度,并以此分配相应的权重。使用NASA故障预测研究中心的C-MAPSS数据集进行了实验验证。实验首先基于信息熵理论选出特征参数;然后,使用窗口滑动法将归一化后的数据构造为时序数据;最后,依据评判标准制定模型训练方法。与其他方法的对比实验结果表明,多层GRU模型对RUL具有较高的预测精度,并且在模型大小上更有优越性。2.从模型剪枝和参数量化两方面研究了模型压缩优化方法。一方面,基于上述模型中权重参数分布的冗余特性,提出了一种改进的分类阈值剪枝方法,针对模型各层不同的重要性程度,分别进行自适应的动态参数裁剪,并通过重训练来恢复模型精度。另一方面,研究了一种动态量化方法,根据模型运算中不同数据的分布范围,分别对其制定相应的量化方案,使用更节省空间的16bit和8bit定点数代替原模型中32bit的浮点数。通过实验验证了两种压缩方法的有效性。3.完成了多层GRU模型在嵌入式设备中的部署。首先,基于提出的剪枝和量化方法对模型进行压缩,相较于压缩前,压缩后的模型参数缩小了约23倍。然后,使用C语言搭建压缩后的模型,并将其迁移到微控制器LPC1768上。最后,在C-MAPSS数据集上对其进行验证。实验结果表明,本文的方法能够在维持RMSE和Score两个精度指标处于较高水平的情况下,使用少量的存储空间,在资源受限的嵌入式设备上实现较高精度的RUL预测,完成预测性维护任务。
阮汉铖[7]（2021）在《智能型水肥一体化控制装置研究》文中认为水肥一体化技术是发展现代农业的一项重要技术,它本身具有省水减肥、低耗省工、高效环保等特点。目前我国生产的水肥一体化设备普遍存在系统性差、施肥灌溉浓度控制精度低等问题,而引进的国外水肥灌溉产品价格昂贵,其作物灌溉管理策略不能适应我国作物的种类、品种、区域、季节多样性等复杂生长特点。为提高水肥利用效率,实现作物水肥系统的自动化控制和智能化管理,本文以水肥一体化技术、传感器技术、物联网技术为切入点,开发了一套智能型水肥一体化控制装置。主要研究内容及结论如下:（1）进行了水肥一体化装置系统总体设计及软硬件开发。基于水肥一体化控制的需求分析,结合水肥一体化系统的工作流程,明确系统的体系架构,分别设计了本地端和远程端的总体控制方案,明确本地端与远程端之间的连接方式;对系统中涉及到的关键技术进行对比分析,部分硬件进行选型,分块设计控制系统程序。（2）设计了水肥一体化装置系统的肥液浓度控制策略,并进行模拟仿真验证。首先针对水肥一体化装置的水肥混合过程建立了肥液电导率（Electrical conductance,EC）值的控制模型并进行分析;然后根据肥液EC值控制过程的原有特点设计了基于模糊PID的控制策略,并将其与传统PID控制策略在Matlab仿真软件中分别进行模拟仿真。分别设置目标EC值为1.5 m S/cm、1.8 m S/cm、2.0 m S/cm、2.5 m S/cm进行模拟仿真。结果表明,采用远程模糊PID控制时,EC值波动幅度小、超调量小、稳态时间小。（3）开发了水肥一体化系统可视化界面。分别对本地端和远程端人机可视化界面进行开发设计,介绍人机界面的设计步骤及具体功能使用。本地端以触摸屏作为人机交互界面,根据功能需求,对组态界面进行设计;远程端以4G物联网云盒自带的组态软件进行界面进行二次开发,并详细介绍管理平台的工程配置和组态界面设计。（4）对水肥一体化装置控制系统进行测试与分析。针对前文开发的水肥一体化控制系统,分别对本地端水肥一体装置控制功能、远程管理平台、肥液浓度的精量控制进行试验测试和分析。结果表明,采用本地端PID控制和远程端模糊PID控制时,目标EC值越大,滞后性增大,稳定性增强;当目标EC值为2.5 m S/cm,采用远程模糊PID控制时,EC值波动幅度最小为0.05 m S/cm,稳态时间、超调量达到最大,分别为120 s,20.8%;远程模糊PID控制的控制精度高,响应速度快,调控水肥所需时间为100～120 s,所设计开发的系统能够满足实际施肥灌溉需求。
杨浩[8]（2021）在《无人机机载XRF土壤重金属污染快速检测系统研究》文中认为土壤是人类生存发展最重要的物质基础,经济社会的快速发展也带来了全球化的土壤污染问题,特别是土壤重金属污染已经严重威胁到粮食食品安全。土壤重金属污染检测的化学分析与仪器分析方法存在检测成本高、周期长且容易产生二次污染等不可避免的缺点,在实际应用中存在一定的限制,因此快速便捷化的土壤重金属污染检测方式具有巨大的现实需求。利用XRF（X射线荧光）光谱分析元素含量是一种应用广泛的新型分析技术,XRF技术具有便捷、迅速、不破坏样品属性、结果稳定可靠等显着优点,而且该技术能够同时分析检测多种元素,但是当前商业便携式XRF分析仪需要手动操作,难以快速完成对较大范围区域内整体污染状况的检测评估工作。无人机（UAV）技术近年来得到了高速的发展,因灵活机动、成本低、受地形约束小等特点,其应用领域正在被不断扩展。本研究针对较大范围区域内土壤重金属污染快速检测的问题,将XRF技术和无人机技术结合,充分发挥两者各自的技术优势,综合嵌入式开发、计算机软件、电子信息等技术方法,进行无人机机载土壤重金属污染快速检测系统关键技术研究,主要研究内容包括:（1）基于无人机、便携式XRF分析仪、树莓派4B、压力传感器、测距传感器、电动推杆和直流推拉式电磁铁等硬件设备,研制系统定高模块和触地监测模块,辅助无人机实现安全精确的定点悬停;研制数据采集的驱动装置从而替代手动控制,实现XRF数据自动采集;（2）使用树莓派4B并结合线性最小二乘法拟合的数据反演方法,在近地面使用便携式XRF分析仪采集数据后,进行土壤内特定重金属元素含量反演处理的算法研究实现,使得便携式XRF分析仪能够在一定距离下自动准确检测土壤内重金属含量;（3）在上述研究内容的基础上,完成无人机协同控制与自动飞行的关键算法设计与实现,实现飞行任务规划与任务队列构建、飞行高度及速度自动控制等功能。本研究最后将实现的软硬件模块进行有机统一和优化集成,得到一套无人机机载XRF土壤重金属污染快速检测软硬件设备系统,以便最终实现区域化、快速化、便捷化的土壤重金属污染检测,为当前土壤重金属污染检测实际应用中遇到的问题提供新的解决方案。
郑翔[9]（2021）在《基于深度学习的人数统计算法研究》文中提出在室内场景下对人群数量的计算和统计有助于管理者优化配置公共资源,预防区域内人群密度过大带来的踩踏事故,可实现公共场所的智能化管理。基于传统硬件传感器的客流统计虽已得到较为广泛的应用,但存在应用场景限制和需要预先规划部署等局限性。而随着计算机视觉算法领域的快速发展,基于视觉传感器的人数统计方法较之更为灵活、准确,但也存在人体姿态、复杂背景干扰等众多难题。为此,本文基于多模图像信息（可见光图像信息和深度图像信息）,利用计算机视觉算法和深度网络算法,对室内场景下的人数统计问题进行了深入的研究,主要研究内容和结果如下。依据多模图像数据采集和低功耗设备运行算法的研究需求,选用了以Intel D435深度相机和NVIDIA Jetson nano嵌入式开发套件为基础硬件搭建了多模图像实验平台,研究了多模图像数据处理中的相关技术,为后续人数统计方法研究提供了图像数据基础。研究分析了人数统计算法产生的目标误检问题的原因,提出了一种基于深度图像信息的人数统计错检去除方法。首先利用深度图像信息对室内场景进行了背景建模,同时基于背景模型对前景目标进行了检测。基于行人目标检测结果和前景目标区域的占比对检测结果进行了有效性分析,从而提高算法的识别能力和准确性。经过实验分析可得,利用多模图像信息可以有效解决复杂背景带来的行人目标误检测问题。在利用深度图像数据解决错检目标问题的基础上,深入研究了RetinaFace算法,提出了一种针对嵌入式设备的RetinaNet网络的优化方法。主干网络替换为MobileNet并加入SSH检测模块,对网络的轻量化处理提高了算法的检测速度;然后在轻量化网络基础上,设计了一种基于多模图像特征融合的深度网络模型,采用双通道结构实现彩色图像与深度图像的同时输入,利用Res Net网络提取深度图像特征,在输入多尺度特征层前进行通道拼接;然后通过去除任务无关函数以简化损失函数;最后利用公开数据集对网络模型进行了训练,设计并完成了对比试验。结果表明针对嵌入式设备的RetinaNet网络优化方法可以有效提高在设备上的实时检测速度;并且基于多模图像特征融合的深度网络模型在引入深度图像信息后仍具有较好的识别准确率,能够有效满足在嵌入式设备上的检测任务需要。基于便携式人数统计系统设计需求和开发运行环境,利用多模图像实验平台硬件设备的低功耗特性,拓展通信模块以及电源模块实现了系统的便携式部署;在嵌入式设备上设计了多模图像采集功能和人数统计功能;利用socket编程优化了用户端与设备端的网络通讯以完成了系统部署;最后,设计了基于Qt的操作界面,从而开发了一套便携式人数统计系统。结果表明本文所设计的便携式人数统计系统能够满足对室内场景下的人数统计任务需要。
刘洋[10]（2021）在《基于深度学习的工业钢材瑕疵检测研究》文中研究表明工业钢材瑕疵检测是行业生产和质量管理的重要环节,钢材表面产生的裂纹,斑点等瑕疵会严重影响产品的质量,带来不可控的危害。钢材瑕疵智能检测是困扰行业多年的技术瓶颈,人工检测效率难以把握,检测标准缺乏一致性。采用深度学习技术的目标检测算法在钢材瑕疵检测领域效果显着,但大多不适用于功耗小,计算资源受限的移动或嵌入式设备上。本文结合深度学习技术,改进了Tiny-YOLOv3算法,采用嵌入式设备构建了钢材瑕疵检测系统模型,保证瑕疵检测的精度和实时性。主要研究成果如下:1、为了平衡钢材目标瑕疵检测的精度和速度,提出一种改进的目标检测算法RTiny-YOLOv3。改进的算法基于Tiny-YOLOv3网络结构,首先加入残差网络,提升网络的深度和检测的精度。增加改进的空间金字塔池化SPP模块,提升了网络的特征提取能力。然后结合不同网络层的特征信息,将检测由两个尺度提升到三个尺度。最后选取CIOU作为损失函数,使目标检测的回归更加稳定。采用改进的R-TinyYOLOv3算法和Tiny-YOLOv3算法进行对比实验分析,R-Tiny-YOLOv3算法对钢材瑕疵的检测精度达到71.5%,相比于Tiny-YOLOv3算法提升了10.8%,检测速度达到39.8帧每秒。实现了检测精度和速度的平衡,也满足嵌入式设备的实时检测要求。2、设计了基于边缘智能的工业钢材瑕疵检测系统模型,该系统模型分硬件检测平台和软件管理平台两部分。硬件检测平台采用寒武纪边缘智能1H8开发板,将改进的瑕疵检测模型移植到1H8边缘智能嵌入式平台,整个检测算法的计算任务全部部署在边缘端并完成实时检测。检测平台可以脱离数据中心独立运行,提升钢材的瑕疵检测效率。然后基于硬件平台设计了瑕疵检测软件系统,提供了用户交互界面。具体分为瑕疵检测模块、报警模块、数据查询模块、和输出检测报告模块。质检人员能远程通过该软件系统控制边缘端检测设备,能够实时对生产线的钢材生产情况进行处理和维护,能够对批次的钢材生产检测结果进行数据查询和报告输出,为后续的产品质量溯源提供数据支持,提升质检人员钢材瑕疵检测任务的效率。图[51]表[9]参[70]
二、如何建立起一套预测式(设备)维护方案（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、如何建立起一套预测式(设备)维护方案（论文提纲范文）
（1）嵌入式目标检测平台架构设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状及分析 |
| 1.3 论文的内容及章节安排 |
| 第二章 相关技术 |
| 2.1 中心服务端相关技术 |
| 2.1.1 前端相关技术 |
| 2.1.2 后端相关技术 |
| 2.2 嵌入式端相关技术 |
| 2.3 模块间通信技术 |
| 2.4 目标检测相关算法 |
| 2.4.1 SSD算法 |
| 2.4.2 YOLO算法 |
| 2.4.3 相关分类网络 |
| 2.5 本章小结 |
| 第三章 嵌入式目标检测平台架构设计 |
| 3.1 嵌入式目标检测场景需求分析 |
| 3.2 嵌入式目标检测平台架构 |
| 3.3 嵌入式目标检测平台分模块设计 |
| 3.3.1 目标检测平台中心服务端 |
| 3.3.2 嵌入式目标检测端 |
| 3.3.3 平台辅助服务端 |
| 3.4 模型、文件和参数推送模块设计 |
| 3.5 设备快速部署模块设计 |
| 3.6 检测结果评估模块设计 |
| 3.7 训练测试模块设计 |
| 3.8 其它功能模块设计 |
| 3.9 本章小结 |
| 第四章 嵌入式目标检测平台实现 |
| 4.1 嵌入式目标检测平台接口设计 |
| 4.1.1 平台中心服务端微服务接口 |
| 4.1.2 嵌入式目标检测平台实体存储格式 |
| 4.1.3 中心服务端SofaRPC服务接口 |
| 4.1.4 目标检测视频流地址格式 |
| 4.1.5 MQTT上传与下发消息格式 |
| 4.1.6 模型、配置文件存储地址 |
| 4.2 嵌入式目标检测平台分模块功能测试 |
| 4.2.1 目标检测平台中心服务端 |
| 4.2.2 嵌入式目标检测端 |
| 4.2.3 平台辅助服务端 |
| 4.3 模型、文件和参数推送模块实现 |
| 4.4 设备快速部署模块实现 |
| 4.5 检测结果模块实现 |
| 4.6 训练测试模块实现 |
| 4.7 其他功能模块实现 |
| 4.8 本章小结 |
| 第五章 系统验证 |
| 5.1 平台部署 |
| 5.2 公交站台场景验证 |
| 5.2.1 场景概述 |
| 5.2.2 平台应用 |
| 5.3 车内拥挤度场景验证 |
| 5.3.1 场景概述 |
| 5.3.2 算法设计 |
| 5.3.3 实验结果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（2）基于深度学习的单目视觉SLAM关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 视觉SLAM技术的国内外研究现状 |
| 1.2.1 单目深度估计及其SLAM应用现状 |
| 1.2.2 基于单目视觉的稠密地图构建研究现状 |
| 1.3 论文研究内容和贡献 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 第2章 视觉SLAM与深度学习相关理论基础 |
| 2.1 视觉SLAM系统坐标系变换与相机模型 |
| 2.1.1 针孔相机模型 |
| 2.1.2 视觉SLAM系统坐标系表示与变换方法 |
| 2.1.3 相机几何标定 |
| 2.2 单目视觉SLAM系统框架 |
| 2.2.1 视觉里程计 |
| 2.2.2 基于非线性算法的位姿优化 |
| 2.2.3 回环检测 |
| 2.2.4 地图构建 |
| 2.3 深度学习理论基础 |
| 2.3.1 深度学习理论与卷积神经网络 |
| 2.3.2 深度学习训练框架 |
| 2.4 本章小结 |
| 第3章 基于深度学习的单目图像深度估计 |
| 3.1 引言 |
| 3.2 基于深度学习的单目深度估计原理 |
| 3.3 单目图像深度估计训练数据预处理 |
| 3.3.1 数据集介绍 |
| 3.3.2 数据集预处理 |
| 3.3.3 深度估计的评价标准 |
| 3.4 基于编码-解码结构的深度估计网络 |
| 3.4.1 编码-解码网络结构搭建 |
| 3.4.2 网络训练设置 |
| 3.4.3 预训练网络性能测试 |
| 3.5 表面法线贴图优化 |
| 3.5.1 表面法线贴图介绍 |
| 3.5.2 表面法线贴图网络搭建 |
| 3.5.3 基于表面法线优化的深度估计网络搭建 |
| 3.5.4 预训练网络训练与测试 |
| 3.6 基于轻量型网络与语义分割的单目深度估计 |
| 3.6.1 轻量级网络搭建 |
| 3.6.2 轻量网络数据集准备 |
| 3.6.3 训练参数和损失函数设置 |
| 3.6.4 预训练网络性能测试 |
| 3.7 本章小结 |
| 第4章 SLAM导航地图的稠密化重建 |
| 4.1 引言 |
| 4.2 单目相机位姿获取与稀疏地图构建 |
| 4.2.1 单目相机位姿获取 |
| 4.2.2 稀疏点云地图构建 |
| 4.3 单幅图像的三维稠密重建 |
| 4.3.1 深度图像的稠密点云重构 |
| 4.3.2 基于RGB-D图像的彩色稠密点云重构 |
| 4.4 多幅图像的点云鲁棒性稠密拼接 |
| 4.4.1 点云滤波 |
| 4.4.2 稠密点云拼接 |
| 4.4.3 点云特征鲁棒性融合重建 |
| 4.5 导航地图形式转换 |
| 4.5.1 八叉树地图构建 |
| 4.5.2 网格地图构建 |
| 4.5.3 基于TSDF原理的点云稠密重建 |
| 4.6 实验与分析 |
| 4.6.1 离线数据集准备 |
| 4.6.2 单幅图像三维重建实验 |
| 4.6.3 点云拼接与稠密化实验 |
| 4.6.4 点云地图转换实验 |
| 4.7 本章小结 |
| 第5章 总结与展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
（3）基于树莓派和头部姿态估计的注意力监测系统研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究目标与主要内容 |
| 1.4 论文章节安排 |
| 第二章 需求分析与总体设计 |
| 2.1 系统需求分析 |
| 2.1.1 注意力监测场景分析 |
| 2.1.2 功能需求分析 |
| 2.1.3 性能需求分析 |
| 2.1.4 技术与经济可行性分析 |
| 2.2 总体架构设计 |
| 2.3 采集端结构设计 |
| 2.4 服务端结构设计 |
| 2.5 监测端结构设计 |
| 2.6 算法方案设计 |
| 2.6.1 人脸关键点检测 |
| 2.6.2 摄像机位姿求解 |
| 2.7 本章小结 |
| 第三章 系统构造与组件设计 |
| 3.1 树莓派概述 |
| 3.2 系统总体构成 |
| 3.3 采集端构造 |
| 3.3.1 硬件构成 |
| 3.3.2 支撑环境 |
| 3.3.3 软件结构 |
| 3.4 服务端组成 |
| 3.4.1 整体框架 |
| 3.4.2 功能组件 |
| 3.4.3 数据可视化 |
| 3.5 监测端设计 |
| 3.6 本章小结 |
| 第四章 注意力监测算法研究 |
| 4.1 基于ERT算法的人脸关键点检测 |
| 4.1.1 ERT算法概述 |
| 4.1.2 ERT算法原理 |
| 4.1.3 ERT算法实现 |
| 4.2 基于EPnP算法的位姿求解 |
| 4.2.1 位姿求解基础理论概述 |
| 4.2.2 EPnP算法原理 |
| 4.2.3 EPnP算法实现 |
| 4.3 注意力状态判别模型 |
| 4.4 模型效果优化与改进 |
| 4.4.1 模型检测问题分析 |
| 4.4.2 模型优化与改进 |
| 4.4.3 模型测试与结果分析 |
| 4.5 本章小结 |
| 第五章 系统实现与功能测试 |
| 5.1 基于树莓派的注意力数据采集 |
| 5.2 采集端与服务端的数据通信 |
| 5.3 注意力监测可视化的实现 |
| 5.4 系统功能测试与结果展示 |
| 5.5 系统性能测试与分析 |
| 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 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加科研情况及获得的学术成果 |
（4）大视场小口径望远镜阵列实时天文目标探测方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及难点分析 |
| 1.2.1 国内外研究现状 |
| 1.2.2 研究难点分析 |
| 1.3 本文研究内容及章节安排 |
| 1.3.1 本文研究内容 |
| 1.3.2 论文章节安排 |
| 1.4 本章小结 |
| 第二章 大视场小口径望远镜观测系统 |
| 2.1 引言 |
| 2.2 大视场小口径望远镜的介绍 |
| 2.2.1 大视场小口径望远镜的组成 |
| 2.2.2 大视场小口径望远镜的成像 |
| 2.3 大视场小口径望远镜的优势 |
| 2.4 大视场小口径望远镜的传统数据处理方法 |
| 2.4.1 SExtractor介绍 |
| 2.4.2 SExtractor提取原理 |
| 2.4.3 SExtractor的应用 |
| 2.5 本章小结 |
| 第三章 单望远镜天文目标检测算法 |
| 3.1 引言 |
| 3.2 数据准备 |
| 3.2.1 模拟数据准备 |
| 3.2.2 真实数据处理 |
| 3.3 模型搭建 |
| 3.3.1 模型选择 |
| 3.3.2 模型改进 |
| 3.4 损失函数 |
| 3.4.1 分类损失函数 |
| 3.4.2 定位损失函数 |
| 3.5 训练策略 |
| 3.5.1 数据增强 |
| 3.5.2 Warming up学习率调节 |
| 3.5.3 Class label smooth |
| 3.5.4 Focal loss |
| 3.5.5 Soft NMS |
| 3.6 结果分析 |
| 3.6.1 训练结果 |
| 3.6.2 评价标准 |
| 3.7 迁移学习 |
| 3.7.1 迁移学习策略 |
| 3.7.2 迁移学习结果 |
| 3.8 模型部署 |
| 3.8.1 背景介绍 |
| 3.8.2 移动端部署 |
| 3.8.3 QT界面设计 |
| 3.9 本章小结 |
| 第四章 望远镜阵列的协同目标检测方法 |
| 4.1 引言 |
| 4.2 数据准备 |
| 4.3 算法实现 |
| 4.4 结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文主要完成工作 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（5）基于故障预测技术的WH企业物流设备维保研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究方法与技术路线 |
| 1.2.1 研究方法 |
| 1.2.2 技术路线 |
| 1.3 研究内容与研究框架 |
| 1.3.1 研究内容 |
| 1.3.2 研究框架 |
| 1.4 主要创新点 |
| 第2章 相关理论及文献综述 |
| 2.1 物流设备管理 |
| 2.1.1 物流设备含义及发展特点 |
| 2.1.2 物流设备管理内涵 |
| 2.2 物流设备预测性维保 |
| 2.3 烟草物流设备维保研究综述 |
| 2.4 TPM研究综述 |
| 2.4.1 TPM理论研究综述 |
| 2.4.2 TPM应用研究综述 |
| 2.5 设备故障预测技术研究综述 |
| 第3章 WH企业物流设备维保现状分析及存在问题 |
| 3.1 WH企业简介 |
| 3.2 WH企业设备维保调研 |
| 3.3 WH企业设备维保现状 |
| 3.3.1 设备保养 |
| 3.3.2 设备维修 |
| 3.3.3 设备备品备件管理 |
| 3.4 WH企业设备维保问题原因 |
| 3.4.1 技术层面原因 |
| 3.4.2 管理层面原因 |
| 3.5 本章小结 |
| 第4章 WH企业拉动式物流设备维保体系构建 |
| 4.1 拉动式作业 |
| 4.2 WH企业物流设备拉动式维保的提出 |
| 4.2.1 拉动式维保的意义 |
| 4.2.2 拉动式维保的目标 |
| 4.3 拉动式维保框架与基本流程 |
| 4.3.1 设备故障预测系统模块 |
| 4.3.2 标准化设备维保管理模块 |
| 4.3.3 设备信息管理系统模块 |
| 4.3.4 拉动式设备维保作业流程 |
| 4.4 本章小结 |
| 第5章 WH企业物流设备故障预测模型 |
| 5.1 LSTM简介 |
| 5.2 预测模型系统流程设计 |
| 5.3 箱式提升机故障预测实验与评价 |
| 5.3.1 箱式提升机介绍 |
| 5.3.2 伺服电机信息采集与预处理 |
| 5.3.3 基于LSTM的实验评价 |
| 5.3.4 故障分类 |
| 5.4 本章小结 |
| 第6章 WH企业维保管理改善及标准化 |
| 6.1 设备维保管理制度规范化 |
| 6.1.1 设备维保管理制度的目的和适用范围 |
| 6.1.2 设备维保管理制度的人员职责 |
| 6.1.3 设备维保管理制度的具体内容 |
| 6.2 基于移动终端APP的设备点检设计 |
| 6.3 设备维修管理改进 |
| 6.4 其他管理的改善 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望与不足 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（6）基于循环神经网络的预测性维护方法及嵌入式实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 预测性维护方法研究现状 |
| 1.2.2 深度学习在预测性维护领域的研究现状 |
| 1.2.3 嵌入式设备部署深度学习模型的研究现状 |
| 1.2.4 模型压缩方法研究现状 |
| 1.3 研究内容与组织结构 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文组织结构 |
| 第2章 相关技术研究 |
| 2.1 引言 |
| 2.2 循环神经网络 |
| 2.2.1 RNN模型 |
| 2.2.2 LSTM和GRU模型 |
| 2.2.3 循环神经网络参数特性 |
| 2.3 模型压缩方法 |
| 2.3.1 剪枝方法 |
| 2.3.2 量化方法 |
| 2.4 小结 |
| 第3章 基于GRU的预测性维护方法 |
| 3.1 引言 |
| 3.2 基于多层GRU的预测性维护方法 |
| 3.2.1 多层GRU结构 |
| 3.2.2 具体建模流程 |
| 3.3 基于注意力机制的GRU预测性维护方法 |
| 3.3.1 注意力机制原理 |
| 3.3.2 基于多层GRU的注意力机制 |
| 3.3.3 具体流程与整体框架 |
| 3.4 实验与分析 |
| 3.4.1 实验数据集 |
| 3.4.2 实验设计 |
| 3.4.3 实验结果与分析 |
| 3.5 小结 |
| 第4章 基于剪枝和量化的模型压缩优化方法 |
| 4.1 引言 |
| 4.2 应用于多层GRU结构的剪枝方法 |
| 4.2.1 参数分布特点分析 |
| 4.2.2 基于分类剪枝的压缩方法 |
| 4.2.3 实验结果与分析 |
| 4.3 应用于多层GRU结构的参数量化方法 |
| 4.3.1 基于动态量化的压缩方法 |
| 4.3.2 具体设计流程 |
| 4.3.4 实验结果与分析 |
| 4.4 小结 |
| 第5章 模型部署与实验分析 |
| 5.1 引言 |
| 5.2 嵌入式设备环境介绍 |
| 5.2.1 硬件环境介绍 |
| 5.2.2 软件环境介绍 |
| 5.3 预测性维护模型的部署 |
| 5.3.1 模型搭建工具 |
| 5.3.2 模型部署的整体框架 |
| 5.3.3 模型部署的具体流程 |
| 5.4 实验结果与分析 |
| 5.5 小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（7）智能型水肥一体化控制装置研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 文丘里施肥器国外研究现状 |
| 1.2.2 水肥一体化装置自动控制国内外研究现状 |
| 1.3 存在的问题与发展趋势 |
| 1.4 研究内容和技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 第二章 水肥一体化装置控制系统总体设计及软硬件开发 |
| 2.1 水肥一体化装置系统总体方案设计 |
| 2.1.1 功能需求分析 |
| 2.1.2 水肥一体化系统工作流程 |
| 2.1.3 水肥一体化控制系统设计 |
| 2.2 水肥一体化装置现场控制系统设计 |
| 2.2.1 现场控制系统硬件设计 |
| 2.2.2 现场控制系统程序设计 |
| 2.3 水肥一体化装置远程控制系统设计 |
| 2.4 本章小结 |
| 第三章 肥液浓度精量控制策略研究 |
| 3.1 系统机构及原理 |
| 3.2 肥液EC模型建立及分析 |
| 3.3 水肥浓度控制的特点分析 |
| 3.4 远程模糊PID控制系统设计 |
| 3.4.1 远程水肥浓度控制系统结构 |
| 3.4.2 模糊PID调控方法设计 |
| 3.5 水肥浓度控制的仿真分析 |
| 3.6 本章小结 |
| 第四章 水肥一体化系统可视化软件设计及开发 |
| 4.1 本地端组态界面设计 |
| 4.1.1 系统功能界面设计 |
| 4.1.2 测试界面设计 |
| 4.1.3 参数设置界面设计 |
| 4.1.4 补水界面设计 |
| 4.1.5 水箱设置界面设计 |
| 4.1.6 施肥界面设计 |
| 4.1.7 灌溉界面设计 |
| 4.2 远程管理平台设计 |
| 4.2.1 管理平台工程配置 |
| 4.2.2 管理平台组态界面设计 |
| 4.3 本章小结 |
| 第五章 水肥一体化装置控制系统性能测试 |
| 5.1 试验平台介绍 |
| 5.2 系统运行测试 |
| 5.2.1 本地端水肥一体化装置控制功能测试 |
| 5.2.2 远程管理平台测试 |
| 5.2.3 肥液浓度精量控制测试 |
| 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 |
| 作者简介 |
（8）无人机机载XRF土壤重金属污染快速检测系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 常见土壤重金属污染检测方法研究现状 |
| 1.2.2 XRF技术在土壤重金属污染检测中的研究现状 |
| 1.2.3 无人机在土壤监测中的应用现状 |
| 1.3 本文主要工作与技术路线 |
| 1.3.1 主要工作 |
| 1.3.2 技术路线 |
| 1.4 本文组织结构 |
| 第二章 系统研究的关键理论与技术 |
| 2.1 数据采集与处理的理论基础 |
| 2.1.1 便携式XRF分析仪的工作原理 |
| 2.1.2 最小二乘法数据拟合 |
| 2.2 基于DJI OSDK的无人机飞行控制基础 |
| 2.2.1 姿态角的定义及其解算 |
| 2.2.2 DJI Onboard SDK |
| 2.3 嵌入式技术 |
| 2.3.1 嵌入式系统结构 |
| 2.3.2 UART通信协议 |
| 2.4 本章小结 |
| 第三章 土壤重金属污染快速检测系统硬件平台设计与实现 |
| 3.1 系统硬件平台总体设计 |
| 3.1.1 系统硬件平台设计原则 |
| 3.1.2 系统硬件平台整体结构 |
| 3.2 系统中心硬件设计与实现 |
| 3.2.1 嵌入式开发板需求分析 |
| 3.2.2 树莓派4B简介 |
| 3.2.3 开发板的供电与通讯 |
| 3.3 飞行平台硬件设计与实现 |
| 3.3.1 无人机需求分析 |
| 3.3.2 DJI M600 Pro简介 |
| 3.3.3 定高模块设计与实现 |
| 3.3.4 触地监测模块设计与实现 |
| 3.4 数据采集器硬件设计与实现 |
| 3.4.1 便携式XRF分析仪需求分析 |
| 3.4.2 XRF分析仪选型对比实验 |
| 3.4.3 连接挂载装置设计与实现 |
| 3.4.4 数据采集驱动装置设计与实现 |
| 3.5 系统硬件平台集成实现 |
| 3.6 本章小结 |
| 第四章 土壤重金属污染快速检测系统软件平台设计与实现 |
| 4.1 系统软件平台整体设计 |
| 4.1.1 系统软件平台需求分析 |
| 4.1.2 系统软件平台总体流程 |
| 4.2 无人机飞行自动控制算法 |
| 4.2.1 航线规划与任务队列构建 |
| 4.2.2 无人机平面飞行控制 |
| 4.2.3 无人机上升下降控制 |
| 4.3 传感器数据读取与分析程序 |
| 4.3.1 定高模块 |
| 4.3.2 触地监测模块 |
| 4.4 数据采集与处理算法 |
| 4.4.1 数据采集驱动装置控制 |
| 4.4.2 基于线性最小二乘法拟合的数据反演 |
| 4.5 本章小结 |
| 第五章 系统测试及结果分析 |
| 5.1 系统平台及运行环境配置 |
| 5.2 无人机飞行自动控制模拟实验 |
| 5.2.1 航线规划与作业任务队列构建 |
| 5.2.2 无人机飞行自动控制 |
| 5.3 传感器数据读取 |
| 5.3.1 定高模块 |
| 5.3.2 触地监测模块 |
| 5.4 数据采集与处理实验 |
| 5.4.1 数据采集驱动装置 |
| 5.4.2 数据反演 |
| 5.5 土壤重金属污染快速检测实验 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（9）基于深度学习的人数统计算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 本论文组织结构 |
| 第二章 多模图像实验平台搭建与相关技术 |
| 2.1 多模图像实验平台设计 |
| 2.1.1 多模图像实验平台整体方案设计 |
| 2.1.2 硬件设备组成 |
| 2.2 多模图像数据处理相关技术 |
| 2.2.1 主动红外双目立体视觉测距原理 |
| 2.2.2 多模图像数据对齐算法原理 |
| 2.3 本章小结 |
| 第三章 基于深度图像信息的人数统计错检去除方法 |
| 3.1 人数统计中的目标错检问题分析 |
| 3.2 基于深度图像信息的背景建模方法 |
| 3.2.1 初始化背景模型 |
| 3.2.2 背景模型的更新方案 |
| 3.3 基于深度图像信息的人数统计错检结果去除方法 |
| 3.3.1 前景目标检测方法 |
| 3.3.2 错检结果判断方法 |
| 3.4 实验与分析 |
| 3.5 本章小结 |
| 第四章 基于多模图像的RetinaNet网络改进研究 |
| 4.1 Retina Face算法原理 |
| 4.1.1 残差网络结构 |
| 4.1.2 多尺度特征网络结构 |
| 4.2 基于多模图像融合的深度网络模型设计 |
| 4.2.1 针对嵌入式设备的RetinaNet网络改进方法 |
| 4.2.2 多模图像特征融合的深度网络模型设计 |
| 4.2.3 多任务联合损失函数改进 |
| 4.3 模型训练与性能分析 |
| 4.3.1 评估标准 |
| 4.3.2 常用数据集 |
| 4.3.3 网络模型训练 |
| 4.3.4 性能分析 |
| 4.4 本章小结 |
| 第五章 便携式人数统计系统设计 |
| 5.1 系统整体方案设计 |
| 5.1.1 系统整体架构设计 |
| 5.1.2 系统开发与运行环境 |
| 5.2 系统软件功能设计与实现 |
| 5.2.1 多模图像数据采集功能实现 |
| 5.2.2 基于多模图像的人数统计功能实现 |
| 5.3 系统部署与运行分析 |
| 5.3.1 系统部署优化 |
| 5.3.2 系统运行分析 |
| 5.4 本章小结 |
| 第六章 全文总结与工作展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间取得的成果 |
（10）基于深度学习的工业钢材瑕疵检测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外瑕疵检测系统研究现状 |
| 1.2.2 国内外瑕疵检测算法研究现状 |
| 1.2.3 嵌入式平台的发展 |
| 1.3 存在的问题及发展趋势 |
| 1.4 研究内容及组织结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文组织结构 |
| 第二章 深度学习理论 |
| 2.1 卷积神经网络 |
| 2.2 基于卷积神经网络的目标检测模型 |
| 2.2.1 基于区域建议的算法 |
| 2.2.2 基于回归思想的算法 |
| 2.3 边缘计算技术 |
| 2.4 本章小结 |
| 第三章 改进的R-Tiny-YOLOv3 瑕疵检测算法 |
| 3.1 引言 |
| 3.2 改进的R-Tiny-YOLOv3 的网络模型 |
| 3.2.1 增加改进的残差层 |
| 3.2.2 改进的SPP-Net结构 |
| 3.2.3 改进的损失函数 |
| 3.3 实验过程与结果分析 |
| 3.3.1 数据集的制作 |
| 3.3.2 实验平台与模型训练 |
| 3.3.3 评价指标 |
| 3.3.4 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 钢材瑕疵检测系统模型 |
| 4.1 系统模型总体设计 |
| 4.2 硬件平台实现 |
| 4.2.1 硬件平台搭建 |
| 4.2.2 瑕疵检测模型部署 |
| 4.2.3 开发板运行验证 |
| 4.3 软件系统实现 |
| 4.3.1 MySQL数据库 |
| 4.3.2 瑕疵检测模块 |
| 4.3.3 数据查询模块 |
| 4.3.4 报警模块 |
| 4.4 系统测试 |
| 4.4.1 系统模型测试 |
| 4.4.2 输出检测报告 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介及攻读硕士学位期间取得的成果 |
四、如何建立起一套预测式(设备)维护方案（论文参考文献）
- [1]嵌入式目标检测平台架构设计与实现[D]. 胡皓翔. 北京邮电大学, 2021(01)
- [2]基于深度学习的单目视觉SLAM关键技术研究[D]. 黄康. 吉林大学, 2021(01)
- [3]基于树莓派和头部姿态估计的注意力监测系统研究与实现[D]. 夏禹. 西安石油大学, 2021(09)
- [4]大视场小口径望远镜阵列实时天文目标探测方法[D]. 刘强. 太原理工大学, 2021(01)
- [5]基于故障预测技术的WH企业物流设备维保研究[D]. 冯磊. 山东大学, 2021(09)
- [6]基于循环神经网络的预测性维护方法及嵌入式实现[D]. 倪维成. 四川大学, 2021
- [7]智能型水肥一体化控制装置研究[D]. 阮汉铖. 西北农林科技大学, 2021
- [8]无人机机载XRF土壤重金属污染快速检测系统研究[D]. 杨浩. 电子科技大学, 2021(01)
- [9]基于深度学习的人数统计算法研究[D]. 郑翔. 电子科技大学, 2021(01)
- [10]基于深度学习的工业钢材瑕疵检测研究[D]. 刘洋. 安徽建筑大学, 2021(08)