基于机器学习的花卉识别算法的研究与实现
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 国内外发展现状 | 第11-12页 |
| 1.3 花卉识别技术的发展 | 第12-15页 |
| 1.3.1 花卉分割技术的发展 | 第12-14页 |
| 1.3.2 花卉分类技术的发展 | 第14-15页 |
| 1.4 本文主要工作 | 第15页 |
| 1.5 本论文的结构安排 | 第15-17页 |
| 第二章 基础理论和相关技术 | 第17-30页 |
| 2.1 机器学习相关理论 | 第17-22页 |
| 2.1.1 机器学习模型 | 第17-18页 |
| 2.1.2 K-Means聚类算法 | 第18-19页 |
| 2.1.3 支持向量机 | 第19-20页 |
| 2.1.4 神经网络相关理论 | 第20-22页 |
| 2.2 图像特征提取算法 | 第22-26页 |
| 2.2.1 尺度不变特征变换(SIFT) | 第22-23页 |
| 2.2.2 方向梯度直方图(HOG) | 第23-25页 |
| 2.2.3 局部二值模式(LBP) | 第25-26页 |
| 2.3 卷积神经网络的理论基础 | 第26-29页 |
| 2.3.1 卷积神经网络的基本结构 | 第26-27页 |
| 2.3.2 卷积层 | 第27-28页 |
| 2.3.3 池化层 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于超像素的SLIC花卉分割算法 | 第30-43页 |
| 3.1 SLIC超像素分割算法的分析 | 第30-33页 |
| 3.1.1 SLIC分割算法概述 | 第30-31页 |
| 3.1.2 SLIC分割算法流程 | 第31-33页 |
| 3.2 SLIC超像素分割算法的改进与优化 | 第33-38页 |
| 3.2.1 算法参数的改进 | 第34-35页 |
| 3.2.2 颜色转换过程的优化 | 第35-36页 |
| 3.2.3 距离度量的优化 | 第36-37页 |
| 3.2.4 优化后SLIC分割算法流程 | 第37-38页 |
| 3.3 花卉分割算法的设计与实现 | 第38-42页 |
| 3.3.1 算法的实现流程 | 第38-39页 |
| 3.3.2 算法的测试与分析 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于特征融合的花卉分类算法 | 第43-53页 |
| 4.1 LLC图像分类算法的分析 | 第43-47页 |
| 4.1.1 LLC特征编码算法 | 第43-45页 |
| 4.1.2 DSIFT特征提取 | 第45-46页 |
| 4.1.3 LLC图像分类算法流程 | 第46-47页 |
| 4.2 特征融合算法的设计与实现 | 第47-49页 |
| 4.2.1 多核学习方法 | 第47-48页 |
| 4.2.2 图像特征融合算法 | 第48-49页 |
| 4.3 花卉分类算法的测试与分析 | 第49-52页 |
| 4.3.1 牛津花卉数据库 | 第49-50页 |
| 4.3.2 实验结果与分析 | 第50-51页 |
| 4.3.3 特征融合分类算法优缺点 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于卷积神经网络的花卉分类算法 | 第53-62页 |
| 5.1 AlexNet网络模型分析与微调 | 第53-57页 |
| 5.1.1 AlexNet网络分析 | 第53-55页 |
| 5.1.2 AlexNet网络的微调训练实验 | 第55-57页 |
| 5.2 算法的设计与实现 | 第57-59页 |
| 5.2.1 迁移学习 | 第57-58页 |
| 5.2.2 花卉分类算法的实现 | 第58-59页 |
| 5.3 实验结果与分析 | 第59-61页 |
| 5.3.1 测试结果与分析 | 第59-60页 |
| 5.3.2 卷积神经网络分类算法优缺点 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 花卉识别系统的设计与实现 | 第62-82页 |
| 6.1 花卉识别系统需求分析 | 第62-63页 |
| 6.2 系统概述 | 第63-64页 |
| 6.3 智能机器人识别系统客户端 | 第64-70页 |
| 6.3.1 识别客户端框架设计 | 第64-65页 |
| 6.3.2 花卉识别流程 | 第65-66页 |
| 6.3.3 串口通信 | 第66-69页 |
| 6.3.4 数据传输 | 第69-70页 |
| 6.4 基于卷积神经网络的服务端 | 第70-72页 |
| 6.4.1 识别服务端框架设计 | 第70-71页 |
| 6.4.2 离线模型训练 | 第71页 |
| 6.4.3 在线花卉识别流程 | 第71-72页 |
| 6.5 系统的测试与分析 | 第72-81页 |
| 6.5.1 自建花卉数据库 | 第73-74页 |
| 6.5.2 花卉识别结果分析 | 第74-77页 |
| 6.5.3 系统的实时性与准确性 | 第77-79页 |
| 6.5.4 算法对比分析 | 第79-80页 |
| 6.5.5 系统优缺点分析 | 第80-81页 |
| 6.6 本章小结 | 第81-82页 |
| 第七章 总结与展望 | 第82-84页 |
| 7.1 全文总结 | 第82-83页 |
| 7.2 后续改进与展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-88页 |
