| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 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 传统的图像识别技术在农业中的应用 | 第10-11页 |
| 1.2.2 卷积神经网络在农业中的应用 | 第11页 |
| 1.2.3 卷积神经网络的发展 | 第11-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 论文安排 | 第14-17页 |
| 2 图像识别的关键技术 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 传统的图像识别算法 | 第17-24页 |
| 2.2.1 特征提取 | 第18-19页 |
| 2.2.2 经典的分类算法 | 第19-24页 |
| 2.3 卷积神经网络图像识别算法 | 第24-28页 |
| 2.3.1 卷积神经网络的结构 | 第25-26页 |
| 2.3.2 卷积神经网络的训练 | 第26-27页 |
| 2.3.3 深度学习框架Caffe介绍 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 基于卷积神经网络的柑橘溃疡病识别 | 第29-45页 |
| 3.1 引言 | 第29页 |
| 3.2 数据集说明 | 第29-33页 |
| 3.2.1 数据收集 | 第29-31页 |
| 3.2.2 数据预处理 | 第31-33页 |
| 3.3 数据集不均衡问题 | 第33页 |
| 3.3.1 问题描述 | 第33页 |
| 3.3.2 数据集扩增 | 第33页 |
| 3.4 卷积神经网络结构 | 第33-34页 |
| 3.5 小样本问题 | 第34-36页 |
| 3.5.1 问题描述 | 第34-35页 |
| 3.5.2 引入迁移学习 | 第35页 |
| 3.5.3 特征可视化 | 第35-36页 |
| 3.6 实验结果及分析 | 第36-43页 |
| 3.6.1 评价指标 | 第36-37页 |
| 3.6.2 实验补充说明 | 第37-39页 |
| 3.6.3 与传统图像识别算法的性能比较 | 第39-41页 |
| 3.6.4 小样本问题的实验分析 | 第41-43页 |
| 3.7 本章小结 | 第43-45页 |
| 4 卷积神经网络的优化 | 第45-61页 |
| 4.1 引言 | 第45页 |
| 4.2 简化卷积神经网络 | 第45-49页 |
| 4.2.1 方案提出 | 第45-47页 |
| 4.2.2 实验结果及分析 | 第47-49页 |
| 4.3 采用全局均值化与Inception对Alexnet网络结构优化 | 第49-53页 |
| 4.3.1 全局均值化与Inception的介绍 | 第49-50页 |
| 4.3.2 方案提出 | 第50-52页 |
| 4.3.3 实验结果及分析 | 第52-53页 |
| 4.4 一种自动剪枝方法的网络优化 | 第53-58页 |
| 4.4.1 深度压缩介绍 | 第53-54页 |
| 4.4.2 基于高斯分布的模型剪枝 | 第54-56页 |
| 4.4.3 实验结果及分析 | 第56-58页 |
| 4.5 本章小结 | 第58-61页 |
| 5 基于卷积神经网络的模糊的柑橘溃疡病图像的识别研究 | 第61-73页 |
| 5.1 引言 | 第61页 |
| 5.2 模糊产生的原因 | 第61-62页 |
| 5.3 图像质量评价 | 第62-63页 |
| 5.4 基于卷积神经网络的图像质量评价 | 第63-69页 |
| 5.4.1 模糊数据集准备 | 第63-64页 |
| 5.4.2 IQA-CNN的训练 | 第64-65页 |
| 5.4.3 实验结果及分析 | 第65-69页 |
| 5.5 基于IQA-CNN图像质量评价系统的柑橘溃疡病自动识别系统 | 第69-72页 |
| 5.4.1 复合系统的流程图 | 第69页 |
| 5.4.2 实验结果与分析 | 第69-72页 |
| 5.6 本章小结 | 第72-73页 |
| 6 总结与展望 | 第73-75页 |
| 6.1 本文总结 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 致谢 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 附录 | 第81页 |
| A.作者在攻读硕士学位期间发表的论文 | 第81页 |
