| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 论文研究背景和意义 | 第9-10页 |
| 1.2 农作物病害图像识别的国内外研究现状 | 第10-11页 |
| 1.2.1 农作物病害图像识别的国外研究现状 | 第10页 |
| 1.2.2 农作物病害识别国内研究现状 | 第10-11页 |
| 1.3 主要研究内容和论文结构 | 第11-13页 |
| 1.3.1 主要研究内容 | 第11-12页 |
| 1.3.2 论文结构 | 第12-13页 |
| 第二章 传统彩色图像预处理和分割 | 第13-18页 |
| 2.1 彩色图像预处理 | 第13-15页 |
| 2.1.1 中值滤波法 | 第13-14页 |
| 2.1.2 小波滤波 | 第14-15页 |
| 2.2 彩色图像分割方法 | 第15-17页 |
| 2.2.1 基于阈值的分割方法 | 第16页 |
| 2.2.2 活动轮廓模型 | 第16页 |
| 2.2.3 基于区域的分割方法 | 第16-17页 |
| 2.2.4 病斑分割对识别任务的意义 | 第17页 |
| 2.3 本章小结 | 第17-18页 |
| 第三章 复杂背景下基于AD-GAC和最大熵阈值法的叶片病斑分割 | 第18-32页 |
| 3.1 各向异性扩散处理 | 第18-19页 |
| 3.2 水平集方法原理 | 第19-24页 |
| 3.2.1 曲线的水平集表示和演化 | 第19-21页 |
| 3.2.2 泛函和变分法 | 第21-23页 |
| 3.2.3 梯度下降流 | 第23-24页 |
| 3.3 AD-GAC模型的提出 | 第24-25页 |
| 3.4 背景移除 | 第25-27页 |
| 3.5 最大熵阈值法 | 第27-28页 |
| 3.6 实验和讨论 | 第28-31页 |
| 3.7 本章小结 | 第31-32页 |
| 第四章 基于AD-GAC CNN的叶片病斑分类 | 第32-51页 |
| 4.1 深度学习发展历史 | 第32-33页 |
| 4.2 深卷积神经网络(CNN)的特点 | 第33-34页 |
| 4.3 卷积神经网络的拓扑结构 | 第34-36页 |
| 4.3.1 卷积层 | 第34页 |
| 4.3.2 下采样层 | 第34-35页 |
| 4.3.3 全连接层 | 第35页 |
| 4.3.4 激活函数 | 第35-36页 |
| 4.4 卷积神经网络中的重要算法 | 第36-38页 |
| 4.4.1 随机梯度下降算法 | 第36-37页 |
| 4.4.2 反向传播算法 | 第37-38页 |
| 4.5 几种常见的CNN网络结构 | 第38-40页 |
| 4.5.1 AlexNet | 第38-39页 |
| 4.5.2 VGGNet | 第39页 |
| 4.5.3 GoogleNet | 第39-40页 |
| 4.6 AD-GAC CNN网络结构 | 第40-43页 |
| 4.6.1 stage1：AD-GAC模型 | 第40-41页 |
| 4.6.2 stage2：基于联合监督的迁移学习 | 第41-43页 |
| 4.7 数据增强 | 第43-44页 |
| 4.8 实验分析 | 第44-50页 |
| 4.8.1 实验方法 | 第44-46页 |
| 4.8.2 实验结果分析 | 第46-50页 |
| 4.9 本章小结 | 第50-51页 |
| 第五章 作物叶片病斑识别软件系统 | 第51-59页 |
| 5.1 系统开发环境 | 第51页 |
| 5.1.1 系统开发硬件环境 | 第51页 |
| 5.1.2 系统开发软件系统 | 第51页 |
| 5.2 系统功能模块 | 第51-52页 |
| 5.3 系统软件的功能测试 | 第52-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59页 |
| 6.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 发表论文和科研情况说明 | 第66-67页 |
| 致谢 | 第67页 |