基于机器学习的水果图像自动识别与分割算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 选题的背景及意义 | 第12-13页 |
| 1.2 研究内容及目的 | 第13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 第2章 图像采集及处理 | 第16-22页 |
| 2.1 图像采集 | 第16-17页 |
| 2.2 数据增强 | 第17-20页 |
| 2.2.1 图像旋转与翻转 | 第17-18页 |
| 2.2.2 图像随机剪裁 | 第18-20页 |
| 2.2.3 数据集分割 | 第20页 |
| 2.3 本章小结 | 第20-22页 |
| 第3章 基于机器学习SVM算法的水果识别 | 第22-32页 |
| 3.1 机器学习 | 第22-23页 |
| 3.2 特征提取 | 第23-26页 |
| 3.2.1 颜色特征 | 第23-24页 |
| 3.2.2 Hog特征 | 第24-25页 |
| 3.2.3 数据规范化 | 第25-26页 |
| 3.3 特征选择与降维 | 第26-28页 |
| 3.3.1 特征选择 | 第27页 |
| 3.3.2 特征降维 | 第27-28页 |
| 3.4 SVM支持向量机 | 第28-30页 |
| 3.4.1 算法介绍 | 第28-29页 |
| 3.4.2 模型训练及评估 | 第29-30页 |
| 3.5 本章小结 | 第30-32页 |
| 第4章 基于深度学习的水果识别 | 第32-44页 |
| 4.1 深度学习介绍 | 第32-33页 |
| 4.2 卷积神经网络 | 第33-38页 |
| 4.2.1 卷积神经网络组成 | 第33-35页 |
| 4.2.2 经典卷积神经网络 | 第35-38页 |
| 4.3 迁移学习 | 第38页 |
| 4.4 Inception卷积神经网络实现 | 第38-42页 |
| 4.4.1 Inception卷积神经网络结构 | 第39-40页 |
| 4.4.2 Tensorflow实现结果 | 第40-42页 |
| 4.5 本章小结 | 第42-44页 |
| 第5章 水果图像分割 | 第44-56页 |
| 5.1 基于BP神经网络的图像分割 | 第44-50页 |
| 5.1.1 HSI模型特征提取 | 第44-45页 |
| 5.1.2 构建BP神经网络 | 第45-47页 |
| 5.1.3 试验结果 | 第47-50页 |
| 5.2 基于色差与梯度特征的图像分割 | 第50-54页 |
| 5.2.1 |R-G|色差算子选取 | 第50-52页 |
| 5.2.2 梯度特征选取 | 第52-53页 |
| 5.2.3 试验结果及分析 | 第53-54页 |
| 5.3 本章小结 | 第54-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 附录 | 第64-70页 |
| 附录 I：SVM特征提取源代码 | 第64-70页 |
| 攻读学位期间主要的研究成果 | 第70-72页 |
| 致谢 | 第72页 |
