基于卷积神经网络的苹果表面伤疤识别研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 深度学习研究现状 | 第10-11页 |
| 1.2.2 卷积神经网络的研究现状 | 第11-12页 |
| 1.3 图像分类面临的问题 | 第12-13页 |
| 1.4 研究内容与章节安排 | 第13-15页 |
| 1.4.1 主要内容 | 第13页 |
| 1.4.2 章节安排 | 第13-15页 |
| 第二章 卷积神经网络的理论基础 | 第15-26页 |
| 2.1 人工神经网络 | 第15-17页 |
| 2.2 反向传播算法 | 第17-18页 |
| 2.3 卷积神经网络特性 | 第18-20页 |
| 2.3.1 局部感受野 | 第18-19页 |
| 2.3.2 权值共享 | 第19-20页 |
| 2.3.3 多卷积核与池化采样 | 第20页 |
| 2.4 卷积神经网络的结构 | 第20-24页 |
| 2.4.1 卷积层 | 第21-22页 |
| 2.4.2 池化层 | 第22-23页 |
| 2.4.3 连接层 | 第23页 |
| 2.4.4 分类层 | 第23-24页 |
| 2.5 卷积神经网络的应用 | 第24-25页 |
| 2.6 本章小节 | 第25-26页 |
| 第三章 Caffe介绍和环境搭建 | 第26-32页 |
| 3.1 深度学习工具介绍 | 第26-28页 |
| 3.1.1 Caffe | 第26-27页 |
| 3.1.2 TensorFlow | 第27页 |
| 3.1.3 Theano | 第27-28页 |
| 3.2 Caffe的三大模块 | 第28-29页 |
| 3.2.1 Blob | 第28-29页 |
| 3.2.2 Layer | 第29页 |
| 3.2.3 Net | 第29页 |
| 3.3 Caffe搭建 | 第29-31页 |
| 3.3.1 Caffe硬件环境 | 第29页 |
| 3.3.2 依赖包安装 | 第29-30页 |
| 3.3.3 Caffe安装 | 第30页 |
| 3.3.4 CUDA的安装 | 第30页 |
| 3.3.5 OpenCV安装 | 第30-31页 |
| 3.3.6 OpenBlas安装 | 第31页 |
| 3.3.7 Python环境安装 | 第31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于卷积神经网络的苹果表面伤疤检测的实现 | 第32-52页 |
| 4.1 数据库构建 | 第32-36页 |
| 4.1.1 苹果表面伤疤数据库简介 | 第32-34页 |
| 4.1.2 苹果表面伤疤数据库的缺陷 | 第34-35页 |
| 4.1.3 苹果表面伤疤数据库的改良 | 第35-36页 |
| 4.2 数据格式转换 | 第36-38页 |
| 4.3 卷积神经网络模型的选取 | 第38-45页 |
| 4.3.1 常见卷积神经网络结构 | 第38-40页 |
| 4.3.2 实验流程 | 第40-41页 |
| 4.3.3 实验结果与分析 | 第41-45页 |
| 4.4 苹果表面伤疤分类的研究 | 第45-51页 |
| 4.4.1 实验样本库 | 第45-46页 |
| 4.4.2 实验结果以及分析 | 第46-50页 |
| 4.4.3 实验结果总结 | 第50-51页 |
| 4.5 本章小节 | 第51-52页 |
| 第五章 基于数据预处理的苹果表面伤疤分类 | 第52-65页 |
| 5.1 数据预处理常用手段 | 第52-53页 |
| 5.2 主成分分析原理 | 第53-54页 |
| 5.2.1 主成分分析数学原理 | 第53-54页 |
| 5.2.2 选择主成分个数 | 第54页 |
| 5.3 聚类分析 | 第54-56页 |
| 5.3.1 图像的聚类分割概述 | 第54-55页 |
| 5.3.2 K均值聚类算法 | 第55-56页 |
| 5.4 苹果表面伤疤分类实验 | 第56-64页 |
| 5.4.1 实验数据库 | 第56-57页 |
| 5.4.2 数据预处理结果与分析 | 第57-59页 |
| 5.4.3 苹果表面伤疤分类结果与分析 | 第59-63页 |
| 5.4.4 结论 | 第63-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 参考文献 | 第67-69页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第69-70页 |
| 致谢 | 第70页 |
