基于卷积神经网络的植物叶片混合分类算法
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 植物叶片分类识别 | 第10-12页 |
| 1.2.2 卷积神经网络 | 第12-15页 |
| 1.3 主要内容和结构 | 第15-18页 |
| 第2章 最小圆覆盖的叶片中心归一化预处理 | 第18-28页 |
| 2.1 植物叶片图像数据集的获取 | 第18-20页 |
| 2.2 植物叶片的图像特点 | 第20页 |
| 2.3 植物叶片图像的中心归一化预处理 | 第20-26页 |
| 2.3.1 叶片图像灰度化 | 第21页 |
| 2.3.2 叶片图像二值化 | 第21-22页 |
| 2.3.3 最大边缘区域的叶片轮廓提取 | 第22-23页 |
| 2.3.4 基于最小圆覆盖的叶片中心化 | 第23-24页 |
| 2.3.5 基于双线性插值的叶片大小归一化 | 第24-26页 |
| 2.4 实验结果与分析 | 第26-27页 |
| 2.5 小结 | 第27-28页 |
| 第3章 迁移学习的卷积神经网络特征提取 | 第28-37页 |
| 3.1 卷积神经网络的结构 | 第28-30页 |
| 3.1.1 卷积层 | 第29页 |
| 3.1.2 下采样层 | 第29页 |
| 3.1.3 全连接层 | 第29-30页 |
| 3.1.4 输出层 | 第30页 |
| 3.2 迁移学习的卷积神经网络 | 第30-32页 |
| 3.3 卷积神经网络的特征提取 | 第32-36页 |
| 3.4 小结 | 第36-37页 |
| 第4章 基于卷积神经网络的植物叶片混合分类算法 | 第37-55页 |
| 4.1 基于混合CNN-SVM的叶片识别 | 第38-42页 |
| 4.1.1 核函数选择 | 第40-41页 |
| 4.1.2 优化识别速度 | 第41-42页 |
| 4.2 实验结果对比分析 | 第42-46页 |
| 4.2.1 基于混合CNN-kNN的叶片识别 | 第42-43页 |
| 4.2.2 基于混合CNN-RF的叶片识别 | 第43-45页 |
| 4.2.3 识别算法的对比及分析 | 第45-46页 |
| 4.3 基于SVM的植物分类识别方法 | 第46-47页 |
| 4.4 基于混合CNN-SVM实验结果与分析 | 第47-53页 |
| 4.5 小结 | 第53-55页 |
| 第5章 总结和展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 附录A 攻读硕士学位期间的研究成果 | 第63页 |
