| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景和意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 深度学习的研究现状 | 第12-13页 |
| 1.2.2 昆虫图像识别的研究现状 | 第13-15页 |
| 1.3 论文的研究内容 | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第2章 基于深度学习的图像识别技术与理论 | 第17-31页 |
| 2.1 深度学习 | 第17-19页 |
| 2.1.1 深度学习概述 | 第17页 |
| 2.1.2 深层神经网络 | 第17-18页 |
| 2.1.3 深度学习框架 | 第18-19页 |
| 2.2 卷积神经网络 | 第19-24页 |
| 2.2.1 卷积神经网络概述 | 第19页 |
| 2.2.2 卷积神经网络的基本原理 | 第19-22页 |
| 2.2.3 卷积神经网络的特点 | 第22-24页 |
| 2.3 目标检测 | 第24-30页 |
| 2.3.1 传统目标检测方法 | 第25页 |
| 2.3.2 基于深度学习的目标检测方法 | 第25-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 昆虫图像样本集生成与网络模型选取 | 第31-47页 |
| 3.1 昆虫图像识别的目标与任务 | 第31页 |
| 3.2 学习样本的收集 | 第31-33页 |
| 3.3 样本集扩充与数据集制作 | 第33-37页 |
| 3.3.1 昆虫图像样本集划分 | 第33-34页 |
| 3.3.2 昆虫图像样本集扩充 | 第34-35页 |
| 3.3.3 昆虫图像数据集制作 | 第35-36页 |
| 3.3.4 昆虫图像标注 | 第36-37页 |
| 3.4 网络模型的选取 | 第37-42页 |
| 3.4.1 网络模型选取的思路 | 第37页 |
| 3.4.2 网络模型的分析和比较 | 第37-39页 |
| 3.4.3 ResNet | 第39-41页 |
| 3.4.4 DenseNet | 第41-42页 |
| 3.5 基于DenseNet的权值参数初始化算法选取 | 第42-43页 |
| 3.5.1 直接训练参数初始化 | 第42页 |
| 3.5.2 微调训练参数初始化 | 第42-43页 |
| 3.6 实验与分析 | 第43-46页 |
| 3.6.1 实验环境 | 第43页 |
| 3.6.2 样本集扩充效果验证实验 | 第43-44页 |
| 3.6.3 网络模型对比实验 | 第44-45页 |
| 3.6.4 参数初始化算法对比实验 | 第45-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第4章 识别模型改进与昆虫图像分类识别 | 第47-63页 |
| 4.1 网络模型改进 | 第47-52页 |
| 4.1.1 设计思路 | 第47-48页 |
| 4.1.2 UDenseNet | 第48-50页 |
| 4.1.3 混合池化 | 第50-52页 |
| 4.2 训练算法改进 | 第52-56页 |
| 4.2.1 随机梯度下降算法 | 第52页 |
| 4.2.2 基于SGD的损失值监控自适应学习率下降算法设计 | 第52-56页 |
| 4.3 识别增强 | 第56-57页 |
| 4.4 昆虫图像分类识别模型 | 第57页 |
| 4.5 实验与结果分析 | 第57-62页 |
| 4.5.1 网络模型改进验证实验 | 第57-59页 |
| 4.5.2 训练算法改进验证实验 | 第59-61页 |
| 4.5.3 昆虫图像分类识别实验 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第5章 目标检测的昆虫图像识别应用 | 第63-68页 |
| 5.1 昆虫图像目标检测的意义 | 第63页 |
| 5.2 目标检测框架R-FCN | 第63-64页 |
| 5.3 实验与结果分析 | 第64-67页 |
| 5.3.1 实验环境 | 第64-65页 |
| 5.3.2 昆虫图像目标检测实验 | 第65页 |
| 5.3.3 昆虫图像目标检测对比实验 | 第65-66页 |
| 5.3.4 昆虫图像目标检测优化实验 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 结论与展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-75页 |