| 摘要 | 第9-10页 |
| Abstract | 第10-11页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究目的及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 国内外基于传统图像处理的病害识别研究 | 第13-17页 |
| 1.2.2 国内外基于卷积神经网络的作物病害识别研究 | 第17-20页 |
| 1.3 本文研究内容 | 第20-22页 |
| 第二章 卷积神经网络概述 | 第22-34页 |
| 2.1 卷积神经网络原理 | 第22-23页 |
| 2.2 卷积神经网络结构组成 | 第23-28页 |
| 2.2.1 卷积层 | 第24-25页 |
| 2.2.2 池化层 | 第25-26页 |
| 2.2.3 全连接层 | 第26-27页 |
| 2.2.4 分类器 | 第27-28页 |
| 2.3 几种常见的卷积神经网络模型 | 第28-33页 |
| 2.3.1 LeNet模型 | 第28-29页 |
| 2.3.2 Alex Net模型 | 第29-30页 |
| 2.3.3 ZFNet模型 | 第30页 |
| 2.3.4 VGGNet模型 | 第30-31页 |
| 2.3.5 Res Net模型 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 草莓白粉病病害图像数据库建立 | 第34-41页 |
| 3.1 草莓白粉病 | 第34-35页 |
| 3.2 草莓叶片图像数据的采集与处理 | 第35-40页 |
| 3.2.1 草莓叶片图像数据的采集 | 第35-38页 |
| 3.2.2 草莓叶片图像数据的处理 | 第38-39页 |
| 3.2.3 草莓叶片图像数据的扩充 | 第39-40页 |
| 3.3 草莓白粉病病害图像数据库的建立 | 第40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于卷积神经网络的草莓叶部白粉病病害识别模型研究 | 第41-48页 |
| 4.1 材料 | 第41-42页 |
| 4.2 方法 | 第42-44页 |
| 4.2.1 不同网络深度与卷积核尺寸的CNN模型设计 | 第42-43页 |
| 4.2.2 基于CNN的不同下采样层构建方法选择 | 第43-44页 |
| 4.3 结果分析 | 第44-47页 |
| 4.3.1 网络深度与卷积核尺寸对模型的影响分析 | 第44-45页 |
| 4.3.2 采样层构建方法对模型的影响分析 | 第45-46页 |
| 4.3.3 训练集与测试集比例对模型的影响分析 | 第46-47页 |
| 4.4 讨论 | 第47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 草莓白粉病病害图像数据库扩充方法研究 | 第48-56页 |
| 5.1 病害图像旋转扩充方法研究 | 第48-52页 |
| 5.1.1 图像旋转处理 | 第48页 |
| 5.1.2 旋转扩充图像库对不同网络深度下的CNN病害识别影响分析 | 第48-49页 |
| 5.1.3 旋转扩充图像库对不同卷积核下的CNN病害识别影响分析 | 第49-50页 |
| 5.1.4 旋转扩充图像库对不同池化方法下的CNN病害识别影响分析 | 第50-52页 |
| 5.1.5 实验结果分析 | 第52页 |
| 5.2 病害图像混合扩充方法研究 | 第52-55页 |
| 5.2.1 混合扩充图像库对不同网络深度的CNN病害识别影响分析 | 第52-53页 |
| 5.2.2 混合扩充图像库对不同卷积核的CNN病害识别影响分析 | 第53-54页 |
| 5.2.3 混合扩充图像库对不同池化方法的CNN病害识别影响分析 | 第54-55页 |
| 5.2.4 实验结果分析 | 第55页 |
| 5.3 本章小结 | 第55-56页 |
| 第六章 结论与展望 | 第56-58页 |
| 6.1 结论 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士期间发表论文 | 第64-65页 |
