| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 目标识别方法 | 第12-13页 |
| 1.2.2 水产品研究 | 第13-15页 |
| 1.3 研究内容及创新点 | 第15-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第二章 基于级联分类器的对虾形态参数智能测量 | 第19-49页 |
| 2.1 对虾图像数据的采集及预处理 | 第20-22页 |
| 2.1.1 对虾图像数据的采集 | 第20-22页 |
| 2.1.2 对虾图像数据的预处理 | 第22页 |
| 2.2 准备训练样本 | 第22-24页 |
| 2.2.1 正样本 | 第23页 |
| 2.2.2 负样本 | 第23-24页 |
| 2.3 目标图像的特征选择 | 第24-32页 |
| 2.3.1 图像特征提取 | 第24-31页 |
| 2.3.2 三大特征的选择依据 | 第31-32页 |
| 2.4 级联分类器训练原理 | 第32-36页 |
| 2.5 级联分类器测试 | 第36-43页 |
| 2.5.1 测试图片预处理 | 第36-41页 |
| 2.5.2 矩形标尺检测 | 第41-42页 |
| 2.5.3 检测结果校正 | 第42-43页 |
| 2.6 实验结果小结 | 第43-47页 |
| 2.6.1 级联测量值的数据分析 | 第44-45页 |
| 2.6.2 级联测量值的相对误差分析 | 第45-47页 |
| 2.7 本章小结 | 第47-49页 |
| 第三章 基于卷积神经网络的对虾形态参数智能测量 | 第49-77页 |
| 3.1 卷积神经网络 | 第49-56页 |
| 3.1.1 感知器与神经元 | 第49-50页 |
| 3.1.2 卷积神经网络的基本构成 | 第50-56页 |
| 3.1.3 卷积神经网络实际应用 | 第56页 |
| 3.2 基于ZF网络的Faster RCNN网络结构 | 第56-62页 |
| 3.2.1 特征提取及ZF网络模型 | 第57-59页 |
| 3.2.2 区域生成网络的设计与训练 | 第59-61页 |
| 3.2.3 共享特征及训练 | 第61-62页 |
| 3.3 数据集的准备 | 第62-65页 |
| 3.4 训练平台及过程简介 | 第65-67页 |
| 3.4.1 训练平台 | 第65页 |
| 3.4.2 训练过程简介 | 第65-67页 |
| 3.5 测试图片结果及对比 | 第67-75页 |
| 3.5.1 卷积测量值的数据分析 | 第68-69页 |
| 3.5.2 卷积测量值与真实值 | 第69-71页 |
| 3.5.3 卷积测量值与级联测量值 | 第71页 |
| 3.5.4 卷积测量值与人工测量值 | 第71-75页 |
| 3.6 本章小结 | 第75-77页 |
| 第四章 基于计算机视觉的中国沿海鱼类识别 | 第77-87页 |
| 4.1 样本数据集准备 | 第77-78页 |
| 4.2 基于深度学习的目标识别方法简介 | 第78-81页 |
| 4.2.1 基于候选区域提取的算法 | 第78-80页 |
| 4.2.2 基于回归方法的端到端的算法 | 第80-81页 |
| 4.3 基于VGG-16网络的Faster RCNN训练结果分析 | 第81-86页 |
| 4.3.1 VGG-16网络模型 | 第81-83页 |
| 4.3.2 模型测试集结果分析 | 第83-86页 |
| 4.4. 本章小结 | 第86-87页 |
| 第五章 总结与展望 | 第87-91页 |
| 5.1 总结 | 第87-88页 |
| 5.2 展望 | 第88-91页 |
| 参考文献 | 第91-97页 |
| 攻读硕士学位期间发表论文及科研情况 | 第97-99页 |
| 致谢 | 第99-100页 |