基于深度学习的小麦图谱特征技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究的背景与意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 深度学习研究概况 | 第12-14页 |
| 1.4 论文主要研究内容 | 第14-16页 |
| 2 相关理论基础 | 第16-39页 |
| 2.1 引言 | 第16页 |
| 2.2 小麦结构 | 第16页 |
| 2.3 小麦统计特征 | 第16-23页 |
| 2.3.1 颜色特征 | 第17-18页 |
| 2.3.2 形态特征 | 第18-20页 |
| 2.3.3 纹理特征 | 第20-23页 |
| 2.4 人工神经网络 | 第23-25页 |
| 2.4.1 神经网络基本结构 | 第23页 |
| 2.4.2 反向传播算法 | 第23-25页 |
| 2.5 深度学习 | 第25-38页 |
| 2.5.1 卷积神经网络 | 第27-32页 |
| 2.5.2 受限玻尔兹曼机 | 第32-35页 |
| 2.5.3 自动编码器 | 第35-38页 |
| 2.6 本章小结 | 第38-39页 |
| 3 研究方案设计与实现 | 第39-53页 |
| 3.1 引言 | 第39页 |
| 3.2 基于启发式的小麦统计特征研究 | 第39-44页 |
| 3.2.1 颜色特征提取 | 第39-40页 |
| 3.2.2 形态特征提取 | 第40页 |
| 3.2.3 纹理特征提取 | 第40-41页 |
| 3.2.4 完全梯度聚类方法 | 第41-44页 |
| 3.3 基于卷积神经网络的小麦特征研究 | 第44-52页 |
| 3.3.1 深度和卷积核 | 第45-46页 |
| 3.3.2 激活函数 | 第46-48页 |
| 3.3.3 分类器选择 | 第48-50页 |
| 3.3.4 深度学习框架 | 第50-52页 |
| 3.4 本章小结 | 第52-53页 |
| 4 实验结果与分析 | 第53-65页 |
| 4.1 引言 | 第53页 |
| 4.2 实验准备 | 第53-54页 |
| 4.2.1 实验环境 | 第53页 |
| 4.2.2 评判标准 | 第53-54页 |
| 4.3 小麦图谱数据集 | 第54-55页 |
| 4.4 数据预处理 | 第55-56页 |
| 4.4.1 数据平衡 | 第55-56页 |
| 4.4.2 数据增广 | 第56页 |
| 4.5 基于启发式的小麦统计特征分析 | 第56-58页 |
| 4.5.1 统计特征与准确率关系 | 第56-57页 |
| 4.5.2 小麦品种数与准确率关系 | 第57-58页 |
| 4.6 基于卷积神经网络的小麦特征分析 | 第58-63页 |
| 4.6.1 模型训练策略 | 第58-59页 |
| 4.6.2 网络结构对实验的影响 | 第59-60页 |
| 4.6.3 数据预处理对实验的影响 | 第60-61页 |
| 4.6.4 可视化结果分析 | 第61-63页 |
| 4.7 方法对比分析 | 第63页 |
| 4.8 本章小结 | 第63-65页 |
| 总结与展望 | 第65-68页 |
| 论文总结 | 第65-66页 |
| 未来展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 作者简历 | 第73页 |
