| ABSTRACT | 第5页 |
| Abbreviations | 第8-9页 |
| Chapter 1 Introduction | 第9-15页 |
| 1.1 Motivation | 第11-12页 |
| 1.2 Contribution of Study | 第12-13页 |
| 1.3 Scope of study | 第13-15页 |
| Chapter 2 Artificial Neural Networks | 第15-28页 |
| 2.1 Perceptron | 第17-18页 |
| 2.2 Multilayer perceptron | 第18-23页 |
| 2.2.1 The training process | 第19-21页 |
| 2.2.2 Backpropagation algorithm | 第21-23页 |
| 2.3 Convolutional Neural Networks | 第23-24页 |
| 2.4 Fruit Recognition and Detection Related Work | 第24-27页 |
| 2.5 Issue and Challenges | 第27-28页 |
| Chapter 3 DCNN Algorithm | 第28-45页 |
| 3.1 Principal of Deep Convolutional Neural Network | 第28-30页 |
| 3.2 Propose Model Architecture | 第30-37页 |
| 3.2.1 Conv Net Layers | 第31页 |
| 3.2.2 Convolutional Layer | 第31-34页 |
| 3.2.3 Rectified Linear Unit(Re LU) | 第34-35页 |
| 3.2.4 Pooling Layer | 第35-36页 |
| 3.2.5 Fully Connected layer | 第36-37页 |
| 3.3 CNN Algorithm & Back propagation Algorithm | 第37-39页 |
| 3.3.1 Froward Path | 第37页 |
| 3.3.2 Back Propagation | 第37-39页 |
| 3.4 Training Using Backpropagation | 第39-41页 |
| 3.5 Overfitting in Deep Neural Network | 第41-43页 |
| 3.5.1 Over Fitting Detection | 第42页 |
| 3.5.2 Methods to Avoid Over-fitting | 第42-43页 |
| 3.6 CNN Design Principle | 第43-45页 |
| Chapter 4 Experiments Results & Dataset | 第45-64页 |
| 4.1 Dataset | 第45-53页 |
| 4.1.1 Existing Fruit Dataset | 第46页 |
| 4.1.2 Data Collection | 第46-50页 |
| 4.1.3 Categorization Challenges | 第50-51页 |
| 4.1.4 Data Augmentation | 第51-53页 |
| 4.2 Software and Hardware | 第53页 |
| 4.3 Methodology | 第53-57页 |
| 4.3.1 Load The Dataset | 第54页 |
| 4.3.2 Dimensionality Reduction and Gray Scaling | 第54-55页 |
| 4.3.3 Data Preprocessing | 第55页 |
| 4.3.4 Splitting our dataset | 第55-56页 |
| 4.3.5 The Neural Network Architecture | 第56-57页 |
| 4.3.6 Compile the Model | 第57页 |
| 4.3.7 Train the model | 第57页 |
| 4.4 Simulation Results | 第57-59页 |
| 4.4.1 Adding Dropout into the Network | 第58-59页 |
| 4.5 Predict Labels | 第59-60页 |
| 4.6 Classification Report | 第60-61页 |
| 4.7 Confusion Matrix | 第61-63页 |
| 4.8 Comparison with other Algorithms | 第63-64页 |
| Chapter 5 Transfer Learning with CNNs | 第64-68页 |
| 5.1 Transfer Learning for New Class of fruit | 第65-67页 |
| 5.1.1 Retrained the Output Dense Layer Only | 第65-66页 |
| 5.1.2 Freeze the Weights of the first few layers | 第66-67页 |
| 5.2 Experiment Results with Transfer Learning | 第67-68页 |
| Chapter 6 Intra-Class Fruit Recognition System | 第68-77页 |
| 6.1 Intra-Class Fruit Recognition System flow chart | 第68-69页 |
| 6.2 Experiments and results | 第69页 |
| 6.3 Apple Intra-Categorization | 第69-74页 |
| 6.3.1 Dataset | 第69-71页 |
| 6.3.2 Model Architecture | 第71页 |
| 6.3.3 Experimental Process | 第71-72页 |
| 6.3.4 Simulation Results and Analysis | 第72-73页 |
| 6.3.5 Confusion Matrix | 第73-74页 |
| 6.4 Kiwi Intra-Class Categorization | 第74-77页 |
| 6.4.1 Experiment Process & Result Analysis | 第74页 |
| 6.4.2 Dataset | 第74-75页 |
| 6.4.3 Simulation Results, Classification table & Confusion Matrix | 第75-77页 |
| Conclusion & Future Scope | 第77-78页 |
| References | 第78-82页 |
| Acknowledgement | 第82-83页 |
| 附件 | 第83-84页 |
| Publications(在学期间取得的科研成果) | 第84页 |
