| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 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11-17页 |
| 1.2.1 植物图像分类的研究现状 | 第11-15页 |
| 1.2.2 图像集分类算法研究现状 | 第15-16页 |
| 1.2.3 深度学习算法研究现状 | 第16-17页 |
| 1.3 本文的组织结构 | 第17-19页 |
| 第2章 基于非线性重构模型的植物叶片图像集分类算法 | 第19-35页 |
| 2.1 非线性重构模型 | 第19-21页 |
| 2.2 模型参数初始化 | 第21-22页 |
| 2.3 学习特定模型及分类 | 第22-24页 |
| 2.4 植物叶片图像的预处理和基于k-means的特征提取 | 第24-27页 |
| 2.4.1 植物叶片图像的预处理 | 第24-25页 |
| 2.4.2 基于k-means的特征提取 | 第25-27页 |
| 2.5 实验结果与分析 | 第27-34页 |
| 2.5.1 模型结构的变化对本算法分类准确率的影响 | 第28-30页 |
| 2.5.2 样本数目的变化对本算法分类准确率的影响 | 第30页 |
| 2.5.3 k-means特征取不同的k值对本算法分类准确度的影响 | 第30-31页 |
| 2.5.4 不同的特征对本算法分类准确度的影响 | 第31-32页 |
| 2.5.5 添加不同比例的噪声对本算法分类识别率的影响 | 第32-33页 |
| 2.5.6 与经典图像集分类算法的比较 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 基于SPCANet和KmeansNet的植物叶片图像集分类算法 | 第35-51页 |
| 3.1 SPCANet模型 | 第37-39页 |
| 3.2 KmeansNet模型 | 第39-40页 |
| 3.3 基于SPCANet模型的实验结果与分析 | 第40-45页 |
| 3.3.1 不同数量的卷积核对算法识别率的影响 | 第40-41页 |
| 3.3.2 不同卷积块的大小对算法识别率的影响 | 第41-42页 |
| 3.3.3 不同覆盖率对算法识别率的影响 | 第42-43页 |
| 3.3.4 不同分块大小对算法识别率的影响 | 第43页 |
| 3.3.5 不同样本数目对算法识别率的影响 | 第43-44页 |
| 3.3.6 与不同特征方法的比较 | 第44-45页 |
| 3.4 基于KmeansNet模型的实验结果与分析 | 第45-49页 |
| 3.4.1 不同数量的卷积核对算法识别率的影响 | 第45-46页 |
| 3.4.2 不同样本数目对算法识别率的影响 | 第46-47页 |
| 3.4.3 不同卷积块大小对算法识别率的影响 | 第47页 |
| 3.4.4 不同分块大小对算法识别率的影响 | 第47-48页 |
| 3.4.5 不同覆盖率对算法识别率的影响 | 第48-49页 |
| 3.4.6 与不同特征提取方法作对比 | 第49页 |
| 3.5 本章小结 | 第49-51页 |
| 第4章 基于深度学习Caffe框架的植物图像粒度分类 | 第51-59页 |
| 4.1 深度卷积神经网络 | 第52-53页 |
| 4.2 植物图像数据集 | 第53-54页 |
| 4.3 实验及结果分析 | 第54-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第5章 总结与展望 | 第59-63页 |
| 5.1 总结 | 第59-60页 |
| 5.2 展望 | 第60-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-71页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第71页 |
