摘要 | 第4-5页 |
ABSTRACT | 第5页 |
1 绪论 | 第9-16页 |
1.1 课题研究背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-13页 |
1.2.1 卷积神经网络的研究现状 | 第10-12页 |
1.2.2 农作物病害图像识别研究现状 | 第12-13页 |
1.3 论文主要研究内容 | 第13-14页 |
1.4 论文组织结构 | 第14-16页 |
2 卷积神经网络理论 | 第16-30页 |
2.1 传统神经网络 | 第16-21页 |
2.1.1 浅层神经网络 | 第16页 |
2.1.2 前向传播 | 第16-18页 |
2.1.3 激活函数 | 第18-19页 |
2.1.4 梯度下降 | 第19页 |
2.1.5 反向传播 | 第19-21页 |
2.2 卷积神经网络 | 第21-28页 |
2.2.1 卷积神经网络结构概述 | 第21-24页 |
2.2.2 优化算法 | 第24-27页 |
2.2.3 卷积神经网络的经典结构 | 第27-28页 |
2.3 本章小结 | 第28-30页 |
3 农作物病害数据集及预处理 | 第30-35页 |
3.1 农作物病害数据集 | 第30-32页 |
3.2 数据预处理 | 第32-34页 |
3.2.1 调整图像大小 | 第32页 |
3.2.2 归一化处理 | 第32-33页 |
3.2.3 农作物病害图像增强 | 第33-34页 |
3.3 本章小结 | 第34-35页 |
4 基于迁移学习的农作物病害识别 | 第35-48页 |
4.1 迁移学习 | 第35页 |
4.2 实验环境配置 | 第35页 |
4.3 数据预处理与模型训练设置 | 第35-37页 |
4.3.1 数据预处理 | 第35-36页 |
4.3.2 优化算法与损失函数 | 第36页 |
4.3.3 超参数调试 | 第36-37页 |
4.4 评估标准与实验整体流程 | 第37-38页 |
4.4.1 评估标准 | 第37页 |
4.4.2 实验整体流程 | 第37-38页 |
4.5 VGG-16网络 | 第38-39页 |
4.5.1 VGG-16网络结构 | 第38-39页 |
4.5.2 基于VGG-16网络的农作物病害识别 | 第39页 |
4.5.3 VGG-16网络病害识别训练过程 | 第39页 |
4.6 RESNET-50 网络 | 第39-41页 |
4.6.1 Res Net的网络结构 | 第40-41页 |
4.6.2 基于Res Net-50 网络的农作物病害识别 | 第41页 |
4.6.3 Res Net-50 网络病害识别训练过程 | 第41页 |
4.7 INCEPTIONV3 网络 | 第41-43页 |
4.7.1 Inception V3 网络结构 | 第42页 |
4.7.2 基于Inception V3 的农作物病害识别 | 第42页 |
4.7.3 Inception V3 网络病害识别训练过程 | 第42-43页 |
4.8 MOBILENETV2 网络 | 第43-45页 |
4.8.1 Mobile Net V2 网络结构 | 第43-44页 |
4.8.2 基于Mobile Net V2 的农作物病害识别 | 第44-45页 |
4.8.3 Mobile Net V2 病害识别训练过程 | 第45页 |
4.9 实验结果分析 | 第45-47页 |
4.9.1 模型的超参数设置 | 第45-46页 |
4.9.2 迭代次数与验证集精度的关系 | 第46页 |
4.9.3 模型在测试集上的性能表现 | 第46-47页 |
4.10 本章小结 | 第47-48页 |
5 基于改进卷积神经网络的农作物病害识别 | 第48-56页 |
5.1 改进RESNET-50 网络结构 | 第48-49页 |
5.2 标签平滑 | 第49页 |
5.3 训练时的实用方法 | 第49-52页 |
5.4 基于RESNET-A与 RESNET-B的农作物病害识别 | 第52-53页 |
5.4.1 训练过程 | 第52-53页 |
5.5 标签平滑处理后的农作物病害识别 | 第53-54页 |
5.5.1 训练过程 | 第53-54页 |
5.6 实验结果分析 | 第54-55页 |
5.6.1 改进Res Net-50 网络结构实验结果 | 第54-55页 |
5.6.2 标签平滑后的实验结果 | 第55页 |
5.7 本章小结 | 第55-56页 |
6 总结与展望 | 第56-57页 |
6.1 总结 | 第56页 |
6.2 展望 | 第56-57页 |
参考文献 | 第57-61页 |
致谢 | 第61-62页 |
攻读学位期间的研究成果 | 第62页 |