| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 木材识别技术国内外研究现状 | 第9-10页 |
| 1.3 深度学习技术在图像识别领域研究现状 | 第10-12页 |
| 1.4 论文主要内容和组织结构 | 第12-14页 |
| 2 卷积神经网络理论 | 第14-23页 |
| 2.1 卷积神经网络结构 | 第14-16页 |
| 2.2 模型优化算法 | 第16-18页 |
| 2.2.1 Dropout | 第17页 |
| 2.2.2 BatchNormalization | 第17-18页 |
| 2.3 卷积神经网络模型 | 第18-20页 |
| 2.3.1 AlexNet | 第18-19页 |
| 2.3.2 GoogLeNet | 第19-20页 |
| 2.4 深度学习框架简介 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 木材扫描电镜图像数据集制作 | 第23-29页 |
| 3.1 木材显微图像的收集与预处理 | 第23-24页 |
| 3.2 木材显微图像的命名规则 | 第24-25页 |
| 3.3 木材扫描电镜显微图像数据集的建立 | 第25-28页 |
| 3.4 本章小结 | 第28-29页 |
| 4 基于卷积神经网络的木材扫描电镜图像识别模型 | 第29-44页 |
| 4.1 木材显微图像识别模型结构设计 | 第29-31页 |
| 4.2 木材显微图像识别模型的影响因素分析 | 第31-42页 |
| 4.2.1 不同激活函数对分类精度的影响 | 第32-34页 |
| 4.2.2 BatchNormalization位置对分类精度的影响 | 第34-36页 |
| 4.2.3 卷积核大小和数量对分类性能的影响 | 第36-38页 |
| 4.2.4 优化器(Optimizer)的选择对分类性能的影响 | 第38-41页 |
| 4.2.4.1 梯度下降算法(GradientDescent) | 第38-39页 |
| 4.2.4.2 梯度下降优化算法 | 第39-41页 |
| 4.2.5 网络深度对分类性能的影响 | 第41-42页 |
| 4.3 本章小结 | 第42-44页 |
| 5 实验与结果分析 | 第44-52页 |
| 5.1 分类工作 | 第44页 |
| 5.2 木材SEM图像特征可视化 | 第44-47页 |
| 5.3 结果与分析 | 第47-51页 |
| 5.3.1 与AlexNet和GoogLeNet分类结果比较 | 第47-50页 |
| 5.3.2 与传统的木材显微图像识别方法比较 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 6 结论与展望 | 第52-54页 |
| 6.1 结论 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 附录 | 第58-59页 |
| 致谢 | 第59页 |
