| 摘要 | 第4-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 图像识别技术概述 | 第10-11页 |
| 1.3 昆虫识别技术概述 | 第11-12页 |
| 1.4 昆虫图像识别的国内外研究现状 | 第12-14页 |
| 1.4.1 国外研究现状 | 第12-13页 |
| 1.4.2 国内研究现状 | 第13-14页 |
| 1.5 深度学习国内外研究现状 | 第14-16页 |
| 1.6 论文的组织结构 | 第16-17页 |
| 2 深度学习理论 | 第17-27页 |
| 2.1 传统神经网络 | 第17-20页 |
| 2.1.1 神经元模型 | 第17-19页 |
| 2.1.2 BP神经网络模型 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-25页 |
| 2.2.1 卷积神经网络结构 | 第20-21页 |
| 2.2.2 卷积神经网络算法 | 第21-24页 |
| 2.2.3 经典模型Le Net-5 | 第24-25页 |
| 2.3 深度学习框架Tensor Flow | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 农林害虫图像数据集的制作 | 第27-32页 |
| 3.1 害虫图像的获取 | 第27-29页 |
| 3.2 害虫图像的数据增强 | 第29-30页 |
| 3.3 构建害虫图像数据集CPAF | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于CPAF数据集的VGG模型优化研究 | 第32-44页 |
| 4.1 VGGNet分析 | 第32-33页 |
| 4.2 实验环境及基本的参数配置 | 第33-34页 |
| 4.3 VGG模型的优化研究 | 第34-43页 |
| 4.3.1 激活函数的分析 | 第34-36页 |
| 4.3.2 卷积核数量的分析 | 第36-38页 |
| 4.3.3 全连接层宽度的分析 | 第38-40页 |
| 4.3.4 Dropout优化方法和梯度下降算法的分析 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 5 基于深度学习的农林害虫识别模型CPAFNet | 第44-52页 |
| 5.1 Goog Le Net分析 | 第44-45页 |
| 5.2 CPAFNet模型结构的设计 | 第45-48页 |
| 5.3 实验结果分析 | 第48-50页 |
| 5.3.1 CPAFNet的训练及验证实验 | 第48-49页 |
| 5.3.2 不同模型分类效果分析 | 第49-50页 |
| 5.4 可视化分析 | 第50-51页 |
| 5.5 本章小结 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 附录 | 第57-58页 |
| 致谢 | 第58页 |