基于深度学习的植物叶片识别算法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 植物叶片识别研究发展现状 | 第8-9页 |
| 1.2.2 深度学习研究发展现状 | 第9-10页 |
| 1.3 植物叶片识别研究难点 | 第10-11页 |
| 1.4 本文的主要内容及章节安排 | 第11-13页 |
| 2 深度学习相关算法研究 | 第13-28页 |
| 2.1 深度学习训练过程 | 第14-15页 |
| 2.2 深度学习常用模型 | 第15-27页 |
| 2.2.1 自动编码器 | 第15-17页 |
| 2.2.2 限制玻尔兹曼机 | 第17-21页 |
| 2.2.3 深度信念网络 | 第21-23页 |
| 2.2.4 卷积神经网络 | 第23-27页 |
| 2.2.4.1 卷积神经网络核心优势 | 第24-25页 |
| 2.2.4.2 卷积神经网络结构 | 第25页 |
| 2.2.4.3 卷积神经网络训练过程 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 分层卷积深度学习网络设计 | 第28-32页 |
| 3.1 网络结构设计 | 第28-30页 |
| 3.2 分类器 | 第30-31页 |
| 3.2.1 Softmax回归模型 | 第30-31页 |
| 3.2.2 支持向量机 | 第31页 |
| 3.3 本章小结 | 第31-32页 |
| 4 植物叶片种类识别实验系统设计与实现 | 第32-47页 |
| 4.1 单一背景叶片图像预处理 | 第33-36页 |
| 4.1.1 图像灰度化 | 第34页 |
| 4.1.2 图像降噪 | 第34-35页 |
| 4.1.3 图像分割 | 第35-36页 |
| 4.2 复杂背景叶片图像预处理 | 第36-39页 |
| 4.2.1 叶片兴趣区检测 | 第36-38页 |
| 4.2.2 分水岭分割 | 第38-39页 |
| 4.3 叶片图像特征识别模块 | 第39-41页 |
| 4.3.1 叶片图像特征提取 | 第39-40页 |
| 4.3.2 叶片图像特征识别系统 | 第40-41页 |
| 4.4 SIFT特征识别模块 | 第41-43页 |
| 4.5 深度学习识别模块 | 第43-44页 |
| 4.6 系统测试与结果 | 第44-46页 |
| 4.7 本章小结 | 第46-47页 |
| 5 结论与展望 | 第47-49页 |
| 5.1 结论 | 第47页 |
| 5.2 下一步工作展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 个人简介 | 第52-53页 |
| 导师简介 | 第53-54页 |
| 获得成果目录 | 第54-55页 |
| 致谢 | 第55页 |
