| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 国内外猪肉分级研究现状 | 第10-13页 |
| 1.2.1 我国的猪胴体分级标准及设备研发使用现状 | 第10-11页 |
| 1.2.2 国外的猪胴体分级标准及设备研发使用现状 | 第11-13页 |
| 1.3 利用图像进行肉类分级的研究现状 | 第13-15页 |
| 1.4 研究目标及内容 | 第15-16页 |
| 1.4.1 需求分析与研究目标 | 第15-16页 |
| 1.4.2 研究内容 | 第16页 |
| 1.5 本文结构 | 第16-18页 |
| 第2章 神经网络和卷积神经网络 | 第18-28页 |
| 2.1 神经网络的原理 | 第18-20页 |
| 2.2 卷积神经网络 | 第20-27页 |
| 2.2.1 CNN的基本思想 | 第20-23页 |
| 2.2.2 CNN的整体网络结构 | 第23-25页 |
| 2.2.3 CNN的训练方法 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 猪胴体图片数据集的建立 | 第28-37页 |
| 3.1 猪胴体图像的获取 | 第28-30页 |
| 3.2 数据集不平衡问题的解决 | 第30-32页 |
| 3.3 针对深度学习的数据预处理 | 第32-35页 |
| 3.3.1 数据归一化 | 第34页 |
| 3.3.2 PCA/ZCA白化 | 第34-35页 |
| 3.4 数据集二进制化 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 猪胴体图像分级模型CNN-P | 第37-52页 |
| 4.1 TensorFlow机器学习框架 | 第37-38页 |
| 4.2 基础模型的设计 | 第38-40页 |
| 4.3 猪肉识别的影响因素 | 第40-46页 |
| 4.3.1 卷积核个数与尺寸的分析 | 第40-42页 |
| 4.3.2 池化操作和范围的分析 | 第42-43页 |
| 4.3.3 不同网络层结构的分析 | 第43-45页 |
| 4.3.4 尝试其他激活函数的分析 | 第45-46页 |
| 4.4 优化的猪胴体图像识别模型 | 第46-48页 |
| 4.5 优化后的模型效果 | 第48-50页 |
| 4.5.1 CNN-P测试结果 | 第48页 |
| 4.5.2 与其他相关猪胴体分级研究的比较 | 第48-50页 |
| 4.6 本章小结 | 第50-52页 |
| 第5章 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57页 |