| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 传统方法识别病害研究现状 | 第9-10页 |
| 1.2.2 深度学习在农业领域研究现状 | 第10页 |
| 1.3 本文研究工作 | 第10-11页 |
| 1.4 本文结构安排 | 第11-13页 |
| 第二章 神经网络 | 第13-26页 |
| 2.1 人工神经网络 | 第13-15页 |
| 2.1.1 网络结构 | 第13-14页 |
| 2.1.2 感知机模型 | 第14-15页 |
| 2.2 BP神经网络 | 第15-17页 |
| 2.2.1 反向传播算法 | 第15-16页 |
| 2.2.2 BP神经网络结构 | 第16-17页 |
| 2.3 卷积神经网络 | 第17-25页 |
| 2.3.1 卷积神经网络思想 | 第17-18页 |
| 2.3.2 卷积神经网络结构 | 第18-23页 |
| 2.3.3 随机梯度下降算法 | 第23-24页 |
| 2.3.4 深度学习的局限性 | 第24-25页 |
| 2.3.5 深度学习模型发展方向 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 K-means-CNN的大豆病害识别 | 第26-41页 |
| 3.1 数据处理 | 第26-28页 |
| 3.2 权值初始化方法 | 第28-29页 |
| 3.3 K-means聚类 | 第29-31页 |
| 3.3.1 聚类数目的选取 | 第30页 |
| 3.3.2 聚类中心初始化 | 第30-31页 |
| 3.3.3 特征表达学习 | 第31页 |
| 3.4 K-means-CNN在大豆病害识别上的应用 | 第31-34页 |
| 3.4.1 数据预处理 | 第31-32页 |
| 3.4.2 算法流程 | 第32-33页 |
| 3.4.3 模型架构 | 第33-34页 |
| 3.5 实验结果对比分析 | 第34-40页 |
| 3.5.1 实验模型配置 | 第34-35页 |
| 3.5.2 实验结果分析 | 第35-40页 |
| 3.5.3 方法对比分析 | 第40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于BN的大豆病害识别模型及小型化策略 | 第41-53页 |
| 4.1 批标准化算法 | 第41-43页 |
| 4.2 模型压缩策略 | 第43-45页 |
| 4.2.1 权值裁剪 | 第43-44页 |
| 4.2.2 权值量化 | 第44-45页 |
| 4.3 小型化模型优化策略 | 第45-46页 |
| 4.4 实验结果对比分析 | 第46-52页 |
| 4.4.1 实验模型配置 | 第46-47页 |
| 4.4.2 实验结果分析 | 第47-51页 |
| 4.4.3 方法对比分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |