| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状分析 | 第9-12页 |
| 1.2.1 果蔬识别与分类研究现状 | 第9-11页 |
| 1.2.2 卷积神经网络研究现状 | 第11-12页 |
| 1.3 果蔬图像识别与分类流程 | 第12-13页 |
| 1.4 卷积神经网络在果蔬识别上的应用难点 | 第13-14页 |
| 1.5 本文章节安排 | 第14-15页 |
| 第二章 卷积神经网络的结构与算法 | 第15-31页 |
| 2.1 人工神经网络 | 第15-23页 |
| 2.1.1 神经元模型 | 第15-17页 |
| 2.1.2 神经网络模型 | 第17-19页 |
| 2.1.3 神经网络反向传播算法 | 第19-22页 |
| 2.1.4 传统人工神经网络的不足之处 | 第22-23页 |
| 2.2 卷积神经网络 | 第23-30页 |
| 2.2.1 LeNet-5基本模型 | 第23-26页 |
| 2.2.2 局部连接 | 第26-27页 |
| 2.2.3 权值共享 | 第27页 |
| 2.2.4 池化采样 | 第27-29页 |
| 2.2.5 卷积神经网络反向传播算法 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 基于卷积神经网络的果蔬图像识别 | 第31-48页 |
| 3.1 果蔬识别方案 | 第31-32页 |
| 3.2 果蔬图像集的建立 | 第32-34页 |
| 3.3 基于卷积神经网络的果蔬识别模型 | 第34-35页 |
| 3.4 卷积神经网络的相关改进项 | 第35-39页 |
| 3.4.1 ReLU激励函数 | 第35-36页 |
| 3.4.2 随机隐退Dropout | 第36-38页 |
| 3.4.3 带动量项的权值更新 | 第38页 |
| 3.4.4 Softmax分类器 | 第38-39页 |
| 3.5 实验及结果分析 | 第39-47页 |
| 3.5.1 实验过程 | 第39-41页 |
| 3.5.2 网络模型的特征可视化 | 第41-42页 |
| 3.5.3 整体实验结果分析 | 第42-45页 |
| 3.5.4 改进项对实验结果的影响 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 基于ROI-CRNN的果蔬图像识别 | 第48-59页 |
| 4.1 果蔬识别方案 | 第48-49页 |
| 4.2 联合卷积-递归神经网络的果蔬图像识别模型 | 第49-54页 |
| 4.2.1 果蔬图像预处理 | 第50页 |
| 4.2.2 基于ROI图像块选取的K-means滤波器训练 | 第50-52页 |
| 4.2.3 卷积神经网络层 | 第52-53页 |
| 4.2.4 递归神经网络层 | 第53-54页 |
| 4.3 实验及结果分析 | 第54-58页 |
| 4.3.1 实验过程 | 第54-55页 |
| 4.3.2 整体实验结果分析 | 第55-56页 |
| 4.3.3 多通道图像特征对实验结果的影响 | 第56-57页 |
| 4.3.4 基于ROI图像块训练滤波器对实验结果的影响 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 智能冰箱果蔬识别技术应用研究 | 第59-65页 |
| 5.1 智能冰箱发展现状 | 第59-61页 |
| 5.2 基于果蔬识别的智能冰箱应用探讨 | 第61-64页 |
| 5.2.1 系统总体方案 | 第62-63页 |
| 5.2.2 智能冰箱子系统 | 第63-64页 |
| 5.3 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 个人简历 | 第73-74页 |
| 攻读硕士期间的研究成果及发表的学术论文 | 第74页 |