| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17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 目的与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于经典模式识别的农业害虫识别方法研究 | 第11-12页 |
| 1.2.2 基于深度学习的农业害虫识别方法研究 | 第12-13页 |
| 1.2.3 农业害虫智能识别应用现状 | 第13-14页 |
| 1.3 论文研究内容 | 第14-15页 |
| 1.4 技术路线 | 第15-16页 |
| 1.5 论文安排 | 第16-17页 |
| 第二章 基于Andriod平台的农业害虫智能识别客户端的设计与实现 | 第17-33页 |
| 2.1 程序架构设计 | 第17-20页 |
| 2.1.1 MVC与MVP架构模式 | 第17-19页 |
| 2.1.2 程序项目结构分析 | 第19-20页 |
| 2.2 Android开源库 | 第20-22页 |
| 2.2.1 OkHttp网络通信框架 | 第20-21页 |
| 2.2.2 Glide图片加载框架 | 第21-22页 |
| 2.3 程序界面与功能开发 | 第22-32页 |
| 2.3.1 登录界面设计 | 第22-24页 |
| 2.3.2 主界面设计 | 第24-25页 |
| 2.3.3 农业害虫信息查询模块 | 第25-27页 |
| 2.3.4 农业害虫地图分布模块 | 第27-29页 |
| 2.3.5 农业害虫智能诊断模块 | 第29-31页 |
| 2.3.6 专家远程诊断模块 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 云服务平台的设计与实现 | 第33-41页 |
| 3.1 服务端开发设计 | 第33-36页 |
| 3.1.1 应用程序服务器搭建 | 第33-34页 |
| 3.1.2 二进制流解析与图片压缩 | 第34-35页 |
| 3.1.3 基于深度学习的农业害虫识别算法的调用 | 第35-36页 |
| 3.1.4 云服务器部署 | 第36页 |
| 3.2 数据库搭建 | 第36-40页 |
| 3.2.1 数据库的访问与优化 | 第36-38页 |
| 3.2.2 数据库表设计 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 基于深度学习的农业害虫图像识别算法的研究 | 第41-46页 |
| 4.1 Caffe深度学习框架的搭建 | 第41-42页 |
| 4.2 基于深度卷积神经网络的农业害虫识别模型的训练与测试 | 第42-45页 |
| 4.2.1 农业害虫识别模型的训练 | 第42-43页 |
| 4.2.2 农业害虫识别模型的测试 | 第43-45页 |
| 4.3 本章小结 | 第45-46页 |
| 第五章 基于深度学习的农业害虫图像智能识别系统的测试与分析 | 第46-51页 |
| 5.1 测试环境 | 第46页 |
| 5.2 系统测试与分析 | 第46-49页 |
| 5.2.1 功能测试 | 第46-48页 |
| 5.2.2 性能测试 | 第48页 |
| 5.2.3 识别响应时间 | 第48-49页 |
| 5.2.4 系统依赖库测试 | 第49页 |
| 5.3 本章小结 | 第49-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间的科研成果 | 第59页 |
