| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第10-15页 |
| 1.1 农业害虫检测的背景与意义 | 第10-11页 |
| 1.2 农业害虫检测的研究现状 | 第11-13页 |
| 1.3 本文主要工作 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第二章 卷积神经网络概述 | 第15-27页 |
| 2.1 神经网络 | 第15-19页 |
| 2.1.1 神经网络模型 | 第15-17页 |
| 2.1.2 反向传播算法 | 第17-19页 |
| 2.2 卷积神经网络 | 第19-23页 |
| 2.2.1 卷积神经网络的结构 | 第19-21页 |
| 2.2.2 卷积神经网络的特点 | 第21-22页 |
| 2.2.3 卷积神经网络的训练过程 | 第22-23页 |
| 2.3 基于卷积神经网络的目标检测系列算法 | 第23-26页 |
| 2.3.1 RCNN | 第24页 |
| 2.3.2 Fast RCNN | 第24-25页 |
| 2.3.3 YOLO | 第25页 |
| 2.3.4 SSD | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于Faster R-CNN的麦蜘蛛检测实验 | 第27-45页 |
| 3.1 Faster R-CNN算法 | 第27-30页 |
| 3.1.1 Faster R-CNN算法简介 | 第27-28页 |
| 3.1.2 区域建议网络 | 第28-29页 |
| 3.1.3 损失函数 | 第29-30页 |
| 3.2 实验方案设计 | 第30-31页 |
| 3.3 数据采集 | 第31-32页 |
| 3.4 性能指标 | 第32-34页 |
| 3.5 模型训练 | 第34-35页 |
| 3.6 麦蜘蛛检测的优化 | 第35-42页 |
| 3.6.1 特征提取网络 | 第35-37页 |
| 3.6.2 训练方式 | 第37-40页 |
| 3.6.3 锚点 | 第40-41页 |
| 3.6.4 超参数的优化 | 第41-42页 |
| 3.7 不同数据类型的识别情况分析 | 第42-44页 |
| 3.8 本章小结 | 第44-45页 |
| 第四章 基于改进的Faster R-CNN的麦蜘蛛检测实验 | 第45-58页 |
| 4.1 R-FCN | 第45-47页 |
| 4.1.1 R-FCN算法原理 | 第45-46页 |
| 4.1.2 位置敏感得分图 | 第46-47页 |
| 4.2 数据集改进 | 第47-50页 |
| 4.2.1 镜像翻转 | 第49页 |
| 4.2.2 椒盐噪声 | 第49-50页 |
| 4.3 算法改进 | 第50-53页 |
| 4.3.1 网络结构的优化 | 第50-51页 |
| 4.3.2 锚点的优化 | 第51-52页 |
| 4.3.3 超参数的优化 | 第52-53页 |
| 4.4 实验结果分析与讨论 | 第53-57页 |
| 4.4.1 单尺度与多尺度数据识别结果比较 | 第53-54页 |
| 4.4.2 不同特征网络对结果的影响 | 第54-55页 |
| 4.4.3 不同anchor的比较 | 第55-56页 |
| 4.4.4 不同的目标检测算法的比较 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间发表的学术论文 | 第64页 |