| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 图像识别技术概述及其应用于蔬果分类的研究现状 | 第10-14页 |
| 1.2.1 图像识别技术概述 | 第10-11页 |
| 1.2.2 蔬果农产品分类识别国内外研究现状 | 第11-14页 |
| 1.2.2.1 国外研究现状 | 第11-12页 |
| 1.2.2.2 国内研究现状 | 第12-14页 |
| 1.3 深度学习的概述及其应用于图像识别的研究现状 | 第14-17页 |
| 1.3.1 深度学习的概述 | 第14-15页 |
| 1.3.2 基于深度学习的图像识别国内外研究现状 | 第15-17页 |
| 1.4 研究目标与内容 | 第17-18页 |
| 1.5 论文的组织结构 | 第18-19页 |
| 2 人工神经网络和卷积神经网络 | 第19-29页 |
| 2.1 人工神经网络 | 第19-22页 |
| 2.1.1 单个神经元模型 | 第19-21页 |
| 2.1.2 神经网络模型 | 第21-22页 |
| 2.1.3 BP神经网络 | 第22页 |
| 2.2 卷积神经网络 | 第22-27页 |
| 2.2.1 卷积神经网络结构 | 第23-25页 |
| 2.2.2 卷积神经网络的训练过程 | 第25页 |
| 2.2.3 卷积神经网络的优缺点概括 | 第25-26页 |
| 2.2.4 LeNet-5神经网络模型 | 第26-27页 |
| 2.3 本章小结 | 第27-29页 |
| 3 蔬果农产品图像库的制作 | 第29-34页 |
| 3.1 蔬果农产品图像的获取 | 第29-31页 |
| 3.2 蔬果农产品图像的命名 | 第31页 |
| 3.3 蔬果农产品图像库的建立 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 4 蔬果图像识别模型影响因素分析 | 第34-49页 |
| 4.1 模型训练和评估环境说明 | 第34-35页 |
| 4.2 基础模型的设计 | 第35-37页 |
| 4.3 蔬果识别的影响因素分析 | 第37-44页 |
| 4.3.1 基于卷积核数量及大小的分析 | 第37-39页 |
| 4.3.2 基于池化方法和大小的分析 | 第39-40页 |
| 4.3.3 基于网络层数量的分析 | 第40-41页 |
| 4.3.4 基于模型数据量的分析 | 第41-43页 |
| 4.3.5 基于激活函数的分析 | 第43-44页 |
| 4.4 模型泛化能力优化方法分析 | 第44-46页 |
| 4.4.1 数据增强 | 第44-45页 |
| 4.4.2 Dropout | 第45-46页 |
| 4.5 优化的蔬果图像识别模型 | 第46-48页 |
| 4.6 本章小结 | 第48-49页 |
| 5 交易环境下蔬果图像的识别 | 第49-57页 |
| 5.1 蔬果图像识别模型的训练 | 第49-50页 |
| 5.2 蔬果图像识别模型的验证 | 第50-52页 |
| 5.3 蔬果图像识别模型的评估 | 第52-54页 |
| 5.4 与传统蔬果图像识别方法的比较 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 论文总结 | 第57-58页 |
| 6.2 研究展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录 | 第64页 |