首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

面向农作物叶片病害鲁棒性识别的深度卷积神经网络研究

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

论文共103页,点击 下载论文
上一篇:视网膜图像分割算法研究
下一篇:基于双扩散编码的扩散峰度成像和用于动脉自旋标记的快速多层面T1sat成像方法的研究