| 摘要 | 第2-4页 |
| Summary | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 论文研究背景与意义 | 第8-9页 |
| 1.2 国内外相关领域研究现状 | 第9-12页 |
| 1.3 论文内容与结构 | 第12-14页 |
| 第二章 图像识别与机器视觉技术理论基础 | 第14-28页 |
| 2.1 传统机器学习概述 | 第14-19页 |
| 2.1.1 决策树(DecisionTree) | 第15页 |
| 2.1.2 K-近邻分类器(KNN) | 第15-16页 |
| 2.1.3 支持向量机(SVM) | 第16-18页 |
| 2.1.4 集成学习 | 第18-19页 |
| 2.2 深度学习概述 | 第19-28页 |
| 2.2.1 AlexNet | 第22页 |
| 2.2.2 VGGNet | 第22-24页 |
| 2.2.3 GoogLeNet | 第24页 |
| 2.2.4 ResNet | 第24-26页 |
| 2.2.5 FasterR-CNN | 第26-28页 |
| 第三章 材料与数据集制作 | 第28-36页 |
| 3.1 研究对象的主要病害类别 | 第28-29页 |
| 3.2 图像采集设备 | 第29-31页 |
| 3.3 图像采集过程 | 第31-33页 |
| 3.4 数据集的制作 | 第33-36页 |
| 第四章 基于传统分类方法的葡萄叶片病害半自动识别方法 | 第36-44页 |
| 4.1 颜色特征的提取 | 第37-40页 |
| 4.2 纹理特征的提取 | 第40-41页 |
| 4.3 实验结果与分析 | 第41-44页 |
| 第五章 葡萄叶片病害的全自动识别方法 | 第44-58页 |
| 5.1 方法一：基于FasterR-CNN检测的病害识别方法 | 第44-48页 |
| 5.1.1 FasterR-CNN全图检测 | 第45-46页 |
| 5.1.2 两种分类策略 | 第46-48页 |
| 5.2 方法二：基于Faster-RCNN+BaggedTrees的病害识别 | 第48-49页 |
| 5.3 方法三：基于深度学习模型的病害识别方法 | 第49-58页 |
| 5.3.1 混淆矩阵 | 第53-58页 |
| 第六章 总结与展望 | 第58-61页 |
| 6.1 总结 | 第58-60页 |
| 6.2 展望 | 第60-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-70页 |
| 导师简介 | 第70-72页 |
| 作者简介 | 第72-73页 |
