全文总字数：2085字
1. 毕业设计（论文）主要内容：
由于传统的室内可行区域识别中需要大量的专业人员参与特征提取，时间长、工作量大。因此本题目提出使用深度学习技术来解决。相比传统的室内场景的特征提取方,深度学习方法优势主要体现在不需要人工过多的参与，利用神经网络的学习特征相比人工特征设计效果提升明显。同时，使用多尺度提取特征比单一尺度的特征提取，特征信息更丰富，对场景识别准确度的增加有明显提升。
基于计算机视觉的目标识别技术已广泛应用于工业、农业、交通、安防、医学等诸多领域。本题目旨在将目标识别技术应用于机器人室内场景的自主导航，为智能仓储、室内智能配送等提供新的技术支持。具体要求如下：1）分析室内区域场景，选择合适的场景及目标展开研究；2）建立目标的图像数据集，选择合适的模型和优化方法，训练数据集；3）将该方法应用于实际场景，验证其在图像（或视频）识别上的准确性，要求准确率不低于85%。
2. 毕业设计（论文）主要任务及要求
（1）查阅资料，分析室内场景可行区域识别的实际应用需求；学习和掌握深度学习和卷积神经网络的基本原理，了解深度学习用于目标识别的常用模型（AlexNet，R-CNN， Fast R-CNN，Mask R-CNN等）；
（2）学习Python编程，掌握一种深度学习的基本编程框架（推荐使用 Tensorflow 1.x）；了解labelme标注图片的方法；
（3）至少掌握一种上述目标识别模型（包含识别和分类）的算法原理，查阅开源代码，并验证该方法在常用数据集上的实现效果；
3. 毕业设计（论文）完成任务的计划与安排
1-3周：查阅参考文献及相关资料；完成外文文献翻译；撰写开题报告；
4-7周：学习Python编程，并配置相应的深度学习的环境（anaconda Tensorflow），选择合适的场景建立自己的图像数据集；
8-9周：训练数据集并进行准确率验证，分析模型的优缺点；
4. 主要参考文献
[1]. 周晓彦, 王珂, 李凌燕. 基于深度学习的目标检测算法综述[J]. 电子测量技术, 2017(11):89-93.
[2]. 温尧乐,李林燕,尚欣茹,胡伏原.一种改进的Mask RCNN特征融合实例分割方法[J].计算机应用与软件,2019,36(10):130-133.
[3]. 张明, 桂凯. 基于深度学习的室内场景识别的研究[J]. 现代计算机(专业版), 2018(16).
以上是毕业论文任务书，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。
