基于生成对抗网络的植物病虫害图像识别算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外的研究发展现状 | 第11-12页 |
| 1.2.2 国内的研究发展现状 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-15页 |
| 1.4 论文整体思路及结构安排 | 第15-16页 |
| 2 植物病虫害叶片图像识别相关技术 | 第16-30页 |
| 2.1 图像预处理 | 第16-21页 |
| 2.1.1 图像灰度化 | 第16-19页 |
| 2.1.2 图像几何变换 | 第19-20页 |
| 2.1.3 图像增强 | 第20-21页 |
| 2.2 图像特征提取 | 第21-23页 |
| 2.2.1 形状特征 | 第21页 |
| 2.2.2 颜色特征 | 第21-22页 |
| 2.2.3 纹理特征 | 第22-23页 |
| 2.3 图像分类识别 | 第23页 |
| 2.4 图像滤波 | 第23-29页 |
| 2.4.1 均值滤波 | 第25-26页 |
| 2.4.2 中值滤波 | 第26-28页 |
| 2.4.3 自适应中值滤波 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 基于生成对抗网络的植物病虫害图像识别方法 | 第30-51页 |
| 3.1 生成对抗网络概述 | 第30-31页 |
| 3.2 生成对抗网络模型介绍 | 第31-37页 |
| 3.2.1 GAN模型 | 第31-33页 |
| 3.2.2 CGAN模型 | 第33-34页 |
| 3.2.3 SSGAN模型 | 第34-35页 |
| 3.2.4 ACGAN模型 | 第35-37页 |
| 3.3 生成对抗网络模型的改进与优化 | 第37-45页 |
| 3.3.1 GAN模型的改进 | 第38-39页 |
| 3.3.2 CGAN模型的改进 | 第39-42页 |
| 3.3.3 SSGAN模型的改进 | 第42-44页 |
| 3.3.4 ACGAN模型的改进 | 第44-45页 |
| 3.4 生成对抗网络的模型综合与模型融合 | 第45-50页 |
| 3.4.1 模型综合 | 第45-47页 |
| 3.4.2 迁移学习 | 第47-48页 |
| 3.4.3 模型融合 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 4 实验结果与分析 | 第51-70页 |
| 4.1 主要工具 | 第51页 |
| 4.2 数据集的建立 | 第51-53页 |
| 4.3 实验参数设置 | 第53-54页 |
| 4.4 实验结果与分析 | 第54-69页 |
| 4.4.1 手写数字图像分类 | 第54-57页 |
| 4.4.2 植物病虫害图像分类 | 第57-61页 |
| 4.4.3 模型综合与模型融合图像分类 | 第61-69页 |
| 4.5 本章小结 | 第69-70页 |
| 5 基于生成对抗网络的植物病虫害图像识别系统 | 第70-77页 |
| 5.1 系统需求分析 | 第71页 |
| 5.2 系统功能设计 | 第71-72页 |
| 5.2.1 图像预处理阶段 | 第71-72页 |
| 5.2.2 图像识别阶段 | 第72页 |
| 5.3 系统结构设计 | 第72-76页 |
| 5.3.1 环境搭建 | 第73-75页 |
| 5.3.2 安卓移植 | 第75-76页 |
| 5.4 系统界面展示 | 第76页 |
| 5.5 本章小结 | 第76-77页 |
| 6 总结与展望 | 第77-79页 |
| 6.1 本文总结 | 第77页 |
| 6.2 未来工作展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-84页 |
| 攻读学位期间的研究成果 | 第84页 |
