| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景目的与意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究目的与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 基于经典模式识别方法的农业害虫识别研究 | 第11-12页 |
| 1.2.2 基于深度学习的农业害虫识别研究 | 第12页 |
| 1.2.3 基于图像的稻飞虱识别方法的研究 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 技术路线 | 第14页 |
| 1.5 论文安排 | 第14-16页 |
| 第2章 基于深度卷积神经网络的稻飞虱分类模型的建立 | 第16-25页 |
| 2.1 水稻基部飞虱图像的采集 | 第16页 |
| 2.2 卷积神经网络的基本原理 | 第16-18页 |
| 2.2.1 卷积 | 第17页 |
| 2.2.2 池化 | 第17-18页 |
| 2.2.3 全连接 | 第18页 |
| 2.3 卷积神经网络训练样本的建立 | 第18-19页 |
| 2.4 基于深度学习的飞虱四层检测算法 | 第19-22页 |
| 2.4.1 基于Adaboost和HOG特征的第一层飞虱检测算法 | 第19-21页 |
| 2.4.2 基于CNN与Bagging并行式策略的第二层去除非飞虱噪声算法 | 第21页 |
| 2.4.3 基于CNN的第三层飞虱虫态分类算法 | 第21-22页 |
| 2.4.4 基于CNN的第四层去误检分类算法 | 第22页 |
| 2.5 飞虱网络层级结构的搭建 | 第22-23页 |
| 2.6 本章小结 | 第23-25页 |
| 第3章 稻飞虱识别网络模型的学习和优化算法的研究 | 第25-42页 |
| 3.1 数据预处理 | 第25页 |
| 3.2 权值初始化 | 第25-27页 |
| 3.2.1 Gaussian | 第26页 |
| 3.2.2 Xavier | 第26-27页 |
| 3.2.3 初始化比较 | 第27页 |
| 3.3 正则化 | 第27-32页 |
| 3.3.1 L1 | 第28页 |
| 3.3.2 L2 | 第28-29页 |
| 3.3.3 Dropout | 第29-31页 |
| 3.3.4 提前终止 | 第31-32页 |
| 3.3.5 Bagging集成方法 | 第32页 |
| 3.3.6 正则化比较 | 第32页 |
| 3.4 优化算法 | 第32-38页 |
| 3.4.1 SGD | 第33-34页 |
| 3.4.2 AdaGrad | 第34-35页 |
| 3.4.3 NAG | 第35页 |
| 3.4.4 Ada Delta | 第35-36页 |
| 3.4.5 Adam | 第36-37页 |
| 3.4.6 RMSProp | 第37页 |
| 3.4.7 优化算法比较 | 第37-38页 |
| 3.5 卷积神经网络模型评价 | 第38-41页 |
| 3.5.1 曲线可视化 | 第38-39页 |
| 3.5.2 权值可视化 | 第39-40页 |
| 3.5.3 特征图可视化 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 基于深度学习的稻飞虱图像自动检测与识别算法的测试与分析 | 第42-54页 |
| 4.1 基于深度学习的稻飞虱四层检测与识别算法的测试与分析 | 第42-52页 |
| 4.1.1 第一层稻飞虱检测结果与分析 | 第42-44页 |
| 4.1.2 第二层非飞虱噪声排除识别结果与分析 | 第44-47页 |
| 4.1.3 第三层稻飞虱各虫态分类识别结果与分析 | 第47-49页 |
| 4.1.4 第四层排除误检飞虱识别结果与分析 | 第49-52页 |
| 4.2 与其它方法的比较与分析 | 第52-53页 |
| 4.3 本章小结 | 第53-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士学位期间参与的科研项目和发表论文 | 第61页 |
