| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究的目的与意义 | 第10-11页 |
| ·计算机视觉技术在农业工程问题上的应用 | 第11-13页 |
| ·国外研究现状 | 第11-12页 |
| ·国内研究现状 | 第12-13页 |
| ·超市农产品识别的研究现状 | 第13页 |
| ·研究内容及方法 | 第13-15页 |
| ·研究内容 | 第13-14页 |
| ·研究方法 | 第14-15页 |
| ·技术路线 | 第15页 |
| ·本章小结 | 第15-16页 |
| 第二章 多示例多标签学习相关知识介绍 | 第16-20页 |
| ·相关新学习框架 | 第16-17页 |
| ·多示例多标签学习(Multi-Instance Multi-Label Learning) | 第17-18页 |
| ·新机器学习框架在图像检索上的应用 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 图像获取及预处理 | 第20-25页 |
| ·图像获取 | 第20-22页 |
| ·图像捕获系统 | 第20页 |
| ·图像材料的选取与采集 | 第20-22页 |
| ·图像预处理 | 第22-24页 |
| ·色彩空间转换 | 第22-23页 |
| ·图像去背景 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第四章 基于固定形状子区域的包生成方法 | 第25-30页 |
| ·基于色块(Blob)的包生成方法 | 第25-26页 |
| ·单色块及其邻域算法的改进 | 第26-27页 |
| ·结果与讨论 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 第五章 基于自适应分割的包生成方法 | 第30-36页 |
| ·图像分割基本理论 | 第30-31页 |
| ·K均值聚类(K-means)算法 | 第31-32页 |
| ·基于K-means聚类的自适应图像分割算法 | 第32-33页 |
| ·基于自适应分割的包生成方法 | 第33页 |
| ·结果与讨论 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第六章 基于多示例多标签学习的果蔬图像识别 | 第36-45页 |
| ·多示例多标签学习的退化策略 | 第36-37页 |
| ·多示例学习算法 | 第37-39页 |
| ·相关算法 | 第37页 |
| ·EM-DD算法 | 第37-39页 |
| ·果蔬图像识别结果及讨论 | 第39-43页 |
| ·训练及测试集组织 | 第39-40页 |
| ·果蔬图像训练与识别流程 | 第40页 |
| ·实验结果与分析 | 第40-43页 |
| ·多标签分类器评估 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第七章 结论与展望 | 第45-47页 |
| ·结论 | 第45-46页 |
| ·展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |
| 作者简介 | 第51页 |