摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第1章 绪论 | 第12-20页 |
1.1 课题研究背景和意义 | 第12-16页 |
1.2 课题研究内容 | 第16-18页 |
1.3 论文组织结构 | 第18-20页 |
第2章 农作物病害识别国内外研究现状 | 第20-28页 |
2.1 基于手工设计特征的农作物病害图像识别研究 | 第20-23页 |
2.2 基于深度特征学习的农作物病害识别研究 | 第23-27页 |
2.2.1 深度学习理论 | 第24页 |
2.2.2 多层感知机 | 第24-25页 |
2.2.3 卷积神经网络 | 第25-26页 |
2.2.4 基于深度特征学习的农作物病害识别相关研究 | 第26-27页 |
2.3 本章小结 | 第27-28页 |
第3章 基于高阶残差的卷积神经网络的农作物病害识别研究 | 第28-49页 |
3.1 引言 | 第28-30页 |
3.2 研究动机 | 第30-31页 |
3.3 基于高阶残差的深度卷积神经网络方法 | 第31-38页 |
3.3.1 网络整体架构 | 第31-32页 |
3.3.2 高阶残差网络 | 第32-34页 |
3.3.3 网络结构探讨 | 第34-36页 |
3.3.4 参数详情 | 第36-37页 |
3.3.5 方法实现细节 | 第37-38页 |
3.4 实验 | 第38-47页 |
3.4.1 实验数据 | 第38-39页 |
3.4.2 PlantVillage数据集 | 第39-40页 |
3.4.3 AES-CD9214数据集 | 第40-41页 |
3.4.4 与现有方法对比 | 第41页 |
3.4.5 抗干扰能力测试与对比分析 | 第41-47页 |
3.5 本章小结 | 第47-49页 |
第4章 基于高阶残差和参数共享反馈的卷积神经网络农作物病害识别研究 | 第49-65页 |
4.1 引言 | 第49-50页 |
4.2 研究动机 | 第50-51页 |
4.3 基于高阶残差和参数共享反馈的深度卷积神经网络方法 | 第51-55页 |
4.3.1 网络整体结构图 | 第52-53页 |
4.3.2 高阶残差子网络 | 第53页 |
4.3.3 参数共享反馈子网络 | 第53-54页 |
4.3.4 网络参数 | 第54-55页 |
4.3.5 方法实现细节简介 | 第55页 |
4.4 实验 | 第55-63页 |
4.4.1 数据集介绍 | 第55-56页 |
4.4.2 对比方法介绍 | 第56-57页 |
4.4.3 与现有方法对比 | 第57-58页 |
4.4.4 方法的精度及鲁棒性测试 | 第58-63页 |
4.5 本章小结 | 第63-65页 |
第5章 基于自注意力的卷积神经网络农作物病害图像识别研究 | 第65-89页 |
5.1 引言 | 第65-66页 |
5.2 研究动机 | 第66-68页 |
5.3 基于自注意力的卷积神经网络农作物病害识别方法 | 第68-75页 |
5.3.1 网络整体架构 | 第68-69页 |
5.3.2 Base-Net | 第69-71页 |
5.3.3 自注意网络 | 第71-72页 |
5.3.4 卷积神经网络中引入自注意力网络的详细讨论 | 第72-74页 |
5.3.5 方法实现细节简介 | 第74-75页 |
5.4 实验 | 第75-83页 |
5.4.1 数据集介绍 | 第75页 |
5.4.2 对比方法介绍 | 第75-76页 |
5.4.3 与现有方法对比 | 第76页 |
5.4.4 Base-Net与SACNN的识别准确率和鲁棒性对比 | 第76-80页 |
5.4.5 本论文三种方法识别准确率和鲁棒性对比 | 第80-83页 |
5.5 基于SACNN的农作物病害图像识别系统 | 第83-88页 |
5.5.1 模型训练的数据集准备 | 第83页 |
5.5.2 AES-CDR应用系统架构设计 | 第83-84页 |
5.5.3 AES-CDR应用系统界面展示 | 第84-87页 |
5.5.4 AES-CDR应用系统测试 | 第87-88页 |
5.6 本章小结 | 第88-89页 |
第6章 总结与展望 | 第89-91页 |
6.1 研究工作总结 | 第89-90页 |
6.2 未来工作展望 | 第90-91页 |
参考文献 | 第91-99页 |
附录 A 论文规范 | 第99-100页 |
致谢 | 第100-102页 |
在读期间发表的学术论文与取得的研究成果 | 第102-103页 |