基于叶片图像分析的葡萄品种识别方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景与意义 | 第10页 |
| ·国内外研究概述 | 第10-13页 |
| ·国外研究概述 | 第10-12页 |
| ·国内研究概述 | 第12-13页 |
| ·研究内容 | 第13-14页 |
| ·技术路线 | 第14-15页 |
| ·论文组织结构 | 第15-16页 |
| 第二章 葡萄叶片图像预处理 | 第16-24页 |
| ·实验材料与环境 | 第16-17页 |
| ·实验材料 | 第16-17页 |
| ·实验环境 | 第17页 |
| ·叶片图像预处理 | 第17-22页 |
| ·叶片图像分割 | 第17-19页 |
| ·叶片形态学去噪处理 | 第19-20页 |
| ·叶片图像提取 | 第20-21页 |
| ·叶片图像灰度化 | 第21页 |
| ·叶片图像几何变换 | 第21-22页 |
| ·本章小结 | 第22-24页 |
| 第三章 葡萄叶片特征提取 | 第24-35页 |
| ·基于人工设计特征提取叶片特征 | 第24-30页 |
| ·低维人工设计特征 | 第24-26页 |
| ·高维人工设计特征 | 第26-30页 |
| ·基于深度学习特征提取叶片特征 | 第30-34页 |
| ·构建卷积神经网络模型 | 第31-32页 |
| ·VGG-Net深度学习特征 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 葡萄叶片识别结果及讨论 | 第35-45页 |
| ·葡萄叶片识别方法 | 第35-36页 |
| ·支持向量机算法 | 第35页 |
| ·非线性数据处理和离群点处理 | 第35-36页 |
| ·支持向量机的多分类 | 第36页 |
| ·基于人工设计特征的葡萄叶片识别实验 | 第36-40页 |
| ·支持向量机核函数选择 | 第36-37页 |
| ·FHOG特征cell尺寸选择 | 第37页 |
| ·FHOG特征梯度方向个数选择 | 第37-39页 |
| ·低维和高维人工设计特征实验比较与分析 | 第39页 |
| ·葡萄叶片品种识别结果分析 | 第39-40页 |
| ·基于深度学习特征的葡萄叶片识别实验 | 第40-43页 |
| ·卷积神经网络实验 | 第40-42页 |
| ·VGG-Net神经网络特征提取 | 第42页 |
| ·人工设计特征和深度学习特征实验比较与分析 | 第42-43页 |
| ·葡萄叶片品种识别结果分析 | 第43页 |
| ·识别率较低葡萄叶片品种分析 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 结论与展望 | 第45-46页 |
| ·结论 | 第45页 |
| ·展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49-50页 |
| 作者简介 | 第50页 |
