| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究背景 | 第11-13页 |
| 1.2 深度学习对图像特征识别的意义 | 第13-14页 |
| 1.3 研究现状 | 第14-16页 |
| 1.3.1 图像特征识别的研究现状 | 第14-15页 |
| 1.3.2 深度学习的研究现状 | 第15-16页 |
| 1.4 主要研究内容 | 第16-18页 |
| 第2章 图像特征及其识别方法 | 第18-27页 |
| 2.1 图像特征及预处理 | 第18-20页 |
| 2.1.1 图像特征的内涵、特点与类型 | 第18-19页 |
| 2.1.2 图像噪声 | 第19页 |
| 2.1.3 图像预处理 | 第19-20页 |
| 2.2 基于单纯图像处理的特征识别 | 第20-21页 |
| 2.3 神经网络的基本理论 | 第21-24页 |
| 2.3.1 神经网络的特点 | 第21-22页 |
| 2.3.2 反向传播参数调整方法 | 第22-23页 |
| 2.3.3 监督训练与非监督训练 | 第23-24页 |
| 2.4 基于浅层网络的特征识别 | 第24页 |
| 2.5 基于传统图像特征识别方法的实验与分析 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 深度学习与深度网络 | 第27-44页 |
| 3.1 深度学习的基础 | 第27页 |
| 3.2 深度网络的拓扑结构与训练 | 第27-30页 |
| 3.3 限制Boltzmann机与深层置信网络 | 第30-32页 |
| 3.4 卷积神经网络 | 第32-36页 |
| 3.4.1 卷积核与卷积运算 | 第33-34页 |
| 3.4.2 池化与降采样 | 第34-35页 |
| 3.4.3 批量训练与网络参数调整 | 第35-36页 |
| 3.5 自编码与稀疏自编码网络 | 第36-41页 |
| 3.5.1 逐层自编码的原理 | 第36-38页 |
| 3.5.2 稀疏自编码网络 | 第38-41页 |
| 3.6 深度网络的分类器模块 | 第41-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第4章 玉米籽粒图像大规模数据准备 | 第44-57页 |
| 4.1 玉米籽粒完整性特征识别问题 | 第44-45页 |
| 4.2 玉米籽粒图像的获取 | 第45-46页 |
| 4.3 图像预处理及单籽粒化 | 第46-53页 |
| 4.4 实验数据准备 | 第53-55页 |
| 4.4.1 深度学习网络的数据准备 | 第53-54页 |
| 4.4.2 浅层BP网络的数据准备 | 第54-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 基于深度学习的图像特征识别实验 | 第57-75页 |
| 5.1 图像特征识别的深度学习机制 | 第57-66页 |
| 5.1.1 MNIST数据来源及实验网络构建 | 第57-59页 |
| 5.1.2 SAE深度学习网络编码有效性与重建原理研究 | 第59-64页 |
| 5.1.3 影响SAE深度网络图像特征识别有效性的因素研究 | 第64-66页 |
| 5.2 玉米籽粒完整性特征识别方法 | 第66-70页 |
| 5.2.1 基于SAE的识别实验 | 第66-68页 |
| 5.2.2 基于CNN的识别实验 | 第68-70页 |
| 5.3 基于浅层网络的对比试验 | 第70-72页 |
| 5.4 实验结果比较与分析 | 第72-74页 |
| 5.5 本章小结 | 第74-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第83-84页 |
| 致谢 | 第84-85页 |