摘要 | 第3-4页 |
ABSTRACT | 第4-5页 |
1 引言 | 第9-13页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 研究现状与存在问题 | 第10-11页 |
1.3 本文主要研究内容 | 第11-12页 |
1.4 本文组织结构 | 第12-13页 |
2 相关理论及技术介绍 | 第13-24页 |
2.1 机器学习 | 第13-14页 |
2.1.1 机器学习的定义 | 第13页 |
2.1.2 机器学习的分类 | 第13页 |
2.1.3 机器学习常见算法 | 第13-14页 |
2.2 神经网络 | 第14-16页 |
2.2.1 神经元 | 第15页 |
2.2.2 感知器 | 第15-16页 |
2.3 深度学习 | 第16-17页 |
2.4 卷积神经网络 | 第17-21页 |
2.4.1 卷积层 | 第18-19页 |
2.4.2 池化层 | 第19页 |
2.4.3 激活函数 | 第19-20页 |
2.4.4 几种经典卷积神经网络 | 第20-21页 |
2.5 Python相关技术 | 第21-22页 |
2.5.1 Numpy | 第21页 |
2.5.2 Pytorch | 第21-22页 |
2.5.3 Django Web开发框架 | 第22页 |
2.6 SQLite | 第22-23页 |
2.7 本章小结 | 第23-24页 |
3 图像分类算法 | 第24-32页 |
3.1 注意力机制 | 第24页 |
3.2 中心损失函数 | 第24-25页 |
3.3 基于注意力机制及中心损失函数的深度图像分类算法 | 第25-27页 |
3.4 实验 | 第27-31页 |
3.4.1 数据集 | 第27-29页 |
3.4.2 评价指标 | 第29页 |
3.4.3 对比算法 | 第29页 |
3.4.4 算法执行细节 | 第29页 |
3.4.5 超参数实验 | 第29-30页 |
3.4.6 消融实验 | 第30-31页 |
3.4.7 与baseline的对比实验 | 第31页 |
3.5 本章小结 | 第31-32页 |
4 草莓病虫害识别系统需求分析 | 第32-37页 |
4.1 系统可行性分析 | 第32页 |
4.1.1 技术可行性 | 第32页 |
4.1.2 操作可行性 | 第32页 |
4.1.3 经济可行性 | 第32页 |
4.2 系统需求分析 | 第32-34页 |
4.2.1 后台管理员需求 | 第33页 |
4.2.2 前台用户需求 | 第33-34页 |
4.3 系统数据库需求分析 | 第34-35页 |
4.3.1 数据字典 | 第34-35页 |
4.3.2 数据流图 | 第35页 |
4.4 非功能需求分析 | 第35-36页 |
4.5 本章小结 | 第36-37页 |
5 草莓病虫害识别系统设计 | 第37-44页 |
5.1 系统总体设计 | 第37-38页 |
5.1.1 系统结构设计 | 第37页 |
5.1.2 系统功能 | 第37-38页 |
5.2 系统详细设计 | 第38-40页 |
5.2.1 系统时序图 | 第38-39页 |
5.2.2 系统活动图 | 第39-40页 |
5.3 系统数据库设计 | 第40-42页 |
5.3.1 数据库概念设计 | 第40-41页 |
5.3.2 数据库逻辑设计 | 第41页 |
5.3.3 数据库物理设计 | 第41-42页 |
5.4 草莓病虫害识别分类器的设计 | 第42-43页 |
5.5 本章小结 | 第43-44页 |
6 系统实现与测试 | 第44-67页 |
6.1 草莓病虫害识别分类器的实现 | 第44-54页 |
6.1.1 数据集搜集 | 第44页 |
6.1.2 数据预处理 | 第44-46页 |
6.1.3 草莓病虫害识别分类器训练 | 第46-54页 |
6.2 普通用户功能实现 | 第54-61页 |
6.2.1 登录 | 第54-56页 |
6.2.2 草莓病虫害图像上传 | 第56-57页 |
6.2.3 草莓病虫害图像识别 | 第57-61页 |
6.3 系统管理员功能实现 | 第61-65页 |
6.3.1 用户管理 | 第61-63页 |
6.3.2 草莓病虫害识别结果管理 | 第63-65页 |
6.4 系统测试 | 第65-66页 |
6.4.1 测试的目的 | 第65页 |
6.4.2 测试过程 | 第65-66页 |
6.5 本章小结 | 第66-67页 |
7 总结 | 第67-68页 |
参考文献 | 第68-71页 |
致谢 | 第71页 |