| 致谢 | 第4-7页 |
| 摘要 | 第7-8页 |
| 1 文献综述 | 第8-14页 |
| 1.1 深度学习的研究现状 | 第8-9页 |
| 1.2 图像识别的研究现状 | 第9-10页 |
| 1.3 农作物病害识别的研究现状 | 第10-14页 |
| 1.3.1 光谱检测研究现状 | 第10页 |
| 1.3.2 机器视觉检测研究现状 | 第10-12页 |
| 1.3.3 基于深度学习的检测研究现状 | 第12-14页 |
| 2 引言 | 第14-16页 |
| 3 深度学习理论 | 第16-26页 |
| 3.1 常见的深度神经网络 | 第16-19页 |
| 3.1.1 DBM和DBN概述 | 第17-18页 |
| 3.1.2 RNN概述 | 第18-19页 |
| 3.2 卷积神经网络理论基础 | 第19-25页 |
| 3.2.1 卷积层 | 第19-20页 |
| 3.2.2 池化层 | 第20-21页 |
| 3.2.3 激活函数 | 第21-22页 |
| 3.2.4 Softmax层 | 第22-23页 |
| 3.2.5 Dropout技术 | 第23-24页 |
| 3.2.6 反向传播和梯度下降 | 第24-25页 |
| 3.3 本章小结 | 第25-26页 |
| 4 农作物病害的采集及预处理 | 第26-31页 |
| 4.1 农作物病害图像的采集 | 第26-28页 |
| 4.2 农作物病害图像的预处理 | 第28-30页 |
| 4.2.1 图像切割 | 第28-29页 |
| 4.2.2 图片归一化 | 第29页 |
| 4.2.3 旋转变换 | 第29-30页 |
| 4.2.4 透视变换 | 第30页 |
| 4.3 本章小结 | 第30-31页 |
| 5 基于深度卷积神经网络的农作物病害识别 | 第31-47页 |
| 5.1 迁移学习 | 第31页 |
| 5.2 AlexNet网络 | 第31-35页 |
| 5.2.1 AlexNet网络结构 | 第31-33页 |
| 5.2.2 基于AlexNet网络的农作物病害识别 | 第33页 |
| 5.2.3 结果分析 | 第33-35页 |
| 5.3 VGG-16网络 | 第35-38页 |
| 5.3.1 VGG-16网络结构 | 第35-36页 |
| 5.3.2 基于VGG-16网络的农作物病害识别 | 第36-37页 |
| 5.3.3 结果分析 | 第37-38页 |
| 5.4 GoogLeNet网络 | 第38-41页 |
| 5.4.1 GoogLeNet网络结构 | 第39页 |
| 5.4.2 基于GoogLeNet网络的农作物病害识别 | 第39-40页 |
| 5.4.3 结果分析 | 第40-41页 |
| 5.5 实验结果与分析 | 第41-45页 |
| 5.5.1 数据集与实验环境 | 第41-42页 |
| 5.5.2 不同病害识别结果的对比分析 | 第42-43页 |
| 5.5.3 迭代次数对实验的影响 | 第43-44页 |
| 5.5.4 模型的总体评估 | 第44-45页 |
| 5.6 本章小结 | 第45-47页 |
| 6 总结与展望 | 第47-49页 |
| 6.1 全文总结 | 第47-48页 |
| 6.2 展望 | 第48-49页 |
| 参考文献 | 第49-55页 |
| ABSTRACT | 第55页 |