| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 引言 | 第9-14页 |
| 1.1 研究目的及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 研究内容及组织结构 | 第12-13页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 论文结构 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 2 相关理论知识与技术 | 第14-27页 |
| 2.1 深度学习 | 第14-16页 |
| 2.1.1 深度学习简介 | 第14页 |
| 2.1.2 Caffe框架 | 第14-16页 |
| 2.2 卷积神经网络 | 第16-24页 |
| 2.2.1 卷积神经网络技术 | 第16页 |
| 2.2.2 卷积神经网络原理 | 第16-19页 |
| 2.2.3 卷积神经网络结构 | 第19-22页 |
| 2.2.4 训练卷积神经网络 | 第22-24页 |
| 2.3 分类器 | 第24-26页 |
| 2.3.1 支持向量机SVM | 第24-25页 |
| 2.3.2 Softmax回归 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于改进型Faster RCNN的枣虫害识别技术 | 第27-43页 |
| 3.1 基于感兴趣区域的目标检测算法 | 第27-32页 |
| 3.1.1 基于感兴趣区域的目标检测算法简介 | 第27-28页 |
| 3.1.2 Fast RCNN算法 | 第28-29页 |
| 3.1.3 Faster RCNN算法 | 第29-32页 |
| 3.2 改进的Faster RCNN算法 | 第32-33页 |
| 3.2.1 困难负样本挖掘技术 | 第32页 |
| 3.2.2 在线困难样本挖掘技术 | 第32-33页 |
| 3.3 实验结果与分析 | 第33-42页 |
| 3.3.1 枣虫害图像数据集 | 第33-34页 |
| 3.3.2 网络结构 | 第34-37页 |
| 3.3.3 实验环境 | 第37页 |
| 3.3.4 实验设计 | 第37-38页 |
| 3.3.5 实验结果 | 第38-42页 |
| 3.4 本章小结 | 第42-43页 |
| 4 系统的设计与实现 | 第43-52页 |
| 4.1 系统的设计需求 | 第43页 |
| 4.2 开发平台环境设置 | 第43-46页 |
| 4.2.1 Android平台 | 第43-44页 |
| 4.2.2 业务流程图 | 第44-45页 |
| 4.2.3 系统的概要设计 | 第45-46页 |
| 4.3 系统的架构设计 | 第46-47页 |
| 4.4 系统的功能设计 | 第47-50页 |
| 4.4.1 移动端的功能设计 | 第48-50页 |
| 4.4.2 服务器端的功能设计 | 第50页 |
| 4.5 系统的实现 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 5 结论与展望 | 第52-53页 |
| 5.1 结论 | 第52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 作者简历 | 第56-57页 |
| 致谢 | 第57页 |