| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 植物叶片识别研究现状 | 第9-10页 |
| 1.3 该课题的研究内容 | 第10-11页 |
| 1.4 论文的组织结构 | 第11页 |
| 1.5 本章小结 | 第11-12页 |
| 2 基于特征工程的植物叶片识别流程及其困境 | 第12-19页 |
| 2.1 基于特征工程的植物叶片识别流程 | 第12-16页 |
| 2.2.1 图像预处理 | 第12-13页 |
| 2.2.2 特征提取 | 第13-14页 |
| 2.2.3 特征处理 | 第14-16页 |
| 2.2.4 BP神经网络设计 | 第16页 |
| 2.2 基于特征工程的植物识别面临的困境 | 第16-18页 |
| 2.3 本章小结 | 第18-19页 |
| 3 基于深度学习的植物叶片识别流程 | 第19-33页 |
| 3.1 图像预处理 | 第19-22页 |
| 3.1.1 光照变换 | 第20页 |
| 3.1.2 水平镜面翻转 | 第20-21页 |
| 3.1.3 随机裁剪 | 第21-22页 |
| 3.1.4 数据标准化 | 第22页 |
| 3.2 卷积网络提取图像特征 | 第22-27页 |
| 3.2.1 卷积层 | 第22-23页 |
| 3.2.2 池化层 | 第23-24页 |
| 3.2.3 激活函数选择 | 第24-26页 |
| 3.2.4 局部响应归一化 | 第26-27页 |
| 3.3 全连接层与SoftMax分类模型 | 第27-29页 |
| 3.3.1 损失函数的选择 | 第27-28页 |
| 3.3.2 dropout | 第28-29页 |
| 3.4 训练卷积神经网络 | 第29-32页 |
| 3.4.1 梯度下降与反向传播 | 第29-30页 |
| 3.4.2 梯度下降算法及其优化 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 4 基于深度学习的植物叶片识别网络 | 第33-43页 |
| 4.1 卷积神经网络设计 | 第33-38页 |
| 4.1.1 特征提取网络 | 第33-36页 |
| 4.1.2 分类网络 | 第36-38页 |
| 4.2 迁移学习 | 第38-42页 |
| 4.2.1 预训练和微调 | 第38-40页 |
| 4.2.2 从头训练 | 第40-42页 |
| 4.3 本章小结 | 第42-43页 |
| 5 实验及分析 | 第43-56页 |
| 5.1 数据集与评价指标 | 第43-45页 |
| 5.1.1 数据集描述 | 第43-44页 |
| 5.1.2 数据集划分 | 第44页 |
| 5.1.3 实验评价指标 | 第44-45页 |
| 5.2 实验环境 | 第45-46页 |
| 5.3 实验结果及分析 | 第46-56页 |
| 5.3.1 基于特征工程的植物叶片识别 | 第47页 |
| 5.3.2 基于深度学习的植物叶片识别 | 第47-50页 |
| 5.3.3 影响基于深度学习的植物识别效果的因素分析 | 第50-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录 | 第62页 |
| A. 作者在攻读学位期间发表的论文目录 | 第62页 |