使用深度学习实现多模光纤输出散斑图的识别

声明

致谢

1 引言

1.1 多模光纤输出散斑图研究背景及意义

1.2 多模光纤输出散斑图的应用

1.2.1多模光纤在医疗内窥镜的应用

1.2.2多模光纤在传感器方面的应用

1.3 神经网络识别多模光纤输出散斑图识别的发展

1.4 深度学习和机器学习识别图像的发展

1.5 主要工作和结构安排

2 相关技术及原理

2.1 多模光纤成像原理

2.2 深度学习

2.2.1 卷积神经网络

2.2.2 激活函数

2.2.3 损失函数

2.2.4 深度学习的训练过程

2.2.4 深度学习框架

2.3 本章小结

3 实验平台搭建以及方案设计

3.1 实验软件和硬件要求

3.2 实验平台介绍

3.3 研究方案设计

3.3.1 使用SVM实现多模光纤输出散斑的识别

3.3.2 使用KNN 实现多模光纤输出散斑的识别

3.3.3 使用决策树算法实现多模光纤输出散斑的识别

3.3.3 使用K-Means 算法实现多模光纤输出散斑的识别

3.3.4使用U-NET进行散斑重建再识别

3.3.5使用卷积神经网络进行散斑识别

3.4 本章小结

4 数据处理以及结果分析

4.1 转换图像通道

4.2 使用U-net 网络对输出散斑进行重建再识别

4.3 使用传统机器学习算法对输出散斑进行识别

4.3.1 使用SVM算法识别散斑图

4.3.2 使用K-means 算法识别散斑图

4.3.3 使用KNN 算法识别散斑图

4.3.4 使用决策树算法识别散斑图

4.4 使用神经网络对输出散斑进行识别

4.5 训练结果对比

4.6 本章小结

5 总结和展望

参考文献

索引

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集