基于深度学习的储粮害虫检测算法的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 引言 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.3.1 图片库的建立 | 第13页 |
| 1.3.2 目标检测算法 | 第13-14页 |
| 1.3.3 神经网络的设计 | 第14页 |
| 1.3.4 SVD模型压缩方法 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 卷积神经网络相关技术 | 第16-25页 |
| 2.1 开放平台介绍 | 第16-17页 |
| 2.2 卷积神经网络结构 | 第17-21页 |
| 2.2.1 卷积层和反卷积层 | 第17-18页 |
| 2.2.2 下采样层 | 第18页 |
| 2.2.3 激活函数 | 第18-20页 |
| 2.2.4 Softmax回归 | 第20-21页 |
| 2.3 反向传导算法 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 图片库的建立及扩充 | 第25-29页 |
| 3.1 图片库建立 | 第25-26页 |
| 3.2 图片库扩充 | 第26-27页 |
| 3.3 图像预处理 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 基于图像处理的储粮害虫检测方法 | 第29-40页 |
| 4.1 分水岭算法 | 第29-30页 |
| 4.2 MSERs算法 | 第30-31页 |
| 4.3 SVM | 第31-33页 |
| 4.4 基于分水岭的储粮害虫检测 | 第33-39页 |
| 4.4.1 基于MSERs的储粮害虫定位算法 | 第34-35页 |
| 4.4.2 基于分水岭的储粮害虫定位算法 | 第35-37页 |
| 4.4.3 储粮害虫种类识别算法 | 第37-38页 |
| 4.4.4 实验分析 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第五章 卷积神经网络模型设计 | 第40-48页 |
| 5.1 VGG16 | 第40-41页 |
| 5.2 Googlenet | 第41-42页 |
| 5.3 CNN模型的改进 | 第42-47页 |
| 5.3.1 Inception结构 | 第42-43页 |
| 5.3.2 梯度消失问题 | 第43-45页 |
| 5.3.3 改进的Inception网络 | 第45-47页 |
| 5.4 本章小结 | 第47-48页 |
| 第六章 目标检测算法设计 | 第48-60页 |
| 6.1 Fast R-CNN | 第48-50页 |
| 6.2 Faster R-CNN | 第50-52页 |
| 6.3 R-FCN | 第52-54页 |
| 6.4 目标检测模型设计 | 第54-55页 |
| 6.5 实验与分析 | 第55-59页 |
| 6.5.1 实验 | 第55-56页 |
| 6.5.2 模型评估 | 第56-58页 |
| 6.5.3 讨论 | 第58-59页 |
| 6.6 本章小结 | 第59-60页 |
| 第七章 总结与展望 | 第60-62页 |
| 7.1 总结 | 第60-61页 |
| 7.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间发表的学术论文 | 第67页 |
