| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-20页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 图像分类研究现状 | 第9-10页 |
| 1.2.2 植物图像分类研究现状 | 第10-11页 |
| 1.3 多肉植物图像库的构建 | 第11-18页 |
| 1.4 本文的主要工作及内容安排 | 第18-19页 |
| 本章小结 | 第19-20页 |
| 第二章 卷积神经网概述 | 第20-29页 |
| 2.1 引言 | 第20页 |
| 2.2 卷积神经网简介 | 第20-21页 |
| 2.3 卷积神经网结构原理 | 第21-27页 |
| 2.3.1 网络结构 | 第21-24页 |
| 2.3.2 反向传播算法 | 第24-26页 |
| 2.3.3 权值共享 | 第26-27页 |
| 2.4 卷积神经网发展史 | 第27-28页 |
| 本章小结 | 第28-29页 |
| 第三章 基于自搭建卷积神经网的多肉植物图像分类 | 第29-43页 |
| 3.1 引言 | 第29页 |
| 3.2 卷积神经网络模型的搭建 | 第29-31页 |
| 3.3 训练与测试过程 | 第31-34页 |
| 3.3.1 数据增强 | 第31-32页 |
| 3.3.2 算法流程 | 第32-34页 |
| 3.4 实验 | 第34-42页 |
| 3.4.1 实验设置 | 第34-35页 |
| 3.4.2 自搭建卷积神经网模型实现 | 第35-37页 |
| 3.4.3 其他实验及结果分析 | 第37-42页 |
| 本章小结 | 第42-43页 |
| 第四章 基于深度AlexNet模型迁移学习的多肉植物图像分类 | 第43-53页 |
| 4.1 引言 | 第43-44页 |
| 4.2 AlexNet 结构模型 | 第44-46页 |
| 4.3 基于AlexNet迁移学习算法 | 第46-48页 |
| 4.3.1 基于AlexNet模型微调方法 | 第46-47页 |
| 4.3.2 AlexNet融合特征+微调方法 | 第47-48页 |
| 4.4 实验及结果分析 | 第48-51页 |
| 4.4.1 实验设置 | 第48页 |
| 4.4.2 基于AlexNet模型微调方法测试结果 | 第48-50页 |
| 4.4.3 AlexNet融合特征+微调方法测试结果 | 第50-51页 |
| 4.4.4 三种方案实验结果对比 | 第51页 |
| 本章小结 | 第51-53页 |
| 第五章 多肉植物图像分类的安卓系统设计与实现 | 第53-64页 |
| 5.1 引言 | 第53页 |
| 5.2 环境搭建 | 第53-54页 |
| 5.2.1 安装TensorFlow | 第53页 |
| 5.2.2 安装Android Studio | 第53-54页 |
| 5.3 安卓移植 | 第54-59页 |
| 5.3.1 PC端训练pb文件 | 第54-55页 |
| 5.3.2 Android studio创建项目 | 第55-57页 |
| 5.3.3 配置动态链接库 | 第57-58页 |
| 5.3.4 创建接口并调用 | 第58-59页 |
| 5.4 编译Apk | 第59-60页 |
| 5.5 测试结果 | 第60-63页 |
| 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间参与的项目 | 第69-70页 |
| 致谢 | 第70页 |
