首页--农业科学论文--农业基础科学论文--农业物理学论文--电子技术、计算机技术在农业上的应用论文

基于深度学习的果蔬检测与分类方法的研究与实现

摘要第5-6页
ABSTRACT第6-7页
第一章 绪论第10-15页
    1.1 课题研究背景和意义第10页
    1.2 果蔬检测与分类方法研究现状第10-12页
    1.3 本文主要内容第12-13页
    1.4 本文的组织结构第13-15页
第二章 相关技术介绍第15-26页
    2.1 传统的目标检测与分类相关技术第15-19页
        2.1.1 HOG特征第15-16页
        2.1.2 LBP特征第16-17页
        2.1.3 Haar-Like特征第17-18页
        2.1.4 Adaboost算法第18-19页
    2.2 基于深度学习的目标检测与分类相关技术第19-23页
        2.2.1 深度学习基本概念第19-21页
        2.2.2 基于候选区域的目标检测方法第21-22页
        2.2.3 基于回归的目标检测方法第22-23页
    2.3 深度神经网络模型在移动端的应用技术第23-24页
    2.4 本章小结第24-26页
第三章 基于Faster R-CNN的果蔬检测与分类改进算法第26-46页
    3.1 Faster R-CNN算法第26-28页
    3.2 区域建议网络的改进第28-32页
    3.3 感兴趣区域池化层的改进第32-36页
    3.4 神经网络模型的压缩第36-40页
        3.4.1 MobileNet的压缩程度分析第37-38页
        3.4.2 MobileNet的卷积效果分析第38-39页
        3.4.3 基于MobileNet的特征提取网络第39-40页
    3.5 算法测试和实验结果第40-44页
        3.5.1 实验数据第40-41页
        3.5.2 评价标准第41-42页
        3.5.3 实验结果比较与分析第42-44页
    3.6 本章小结第44-46页
第四章 果蔬检测与分类系统的设计与实现第46-65页
    4.1 果蔬检测与分类系统需求分析第46页
    4.2 果蔬检测与分类系统的概要设计第46-48页
    4.3 果蔬检测与分类系统的详细设计第48-52页
        4.3.1 图像采集模块设计第48-49页
        4.3.2 图像预处理模块设计第49-50页
        4.3.3 果蔬检测与分类模块设计第50-51页
        4.3.4 检测结果展示模块设计第51-52页
    4.4 果蔬检测与分类系统的实现第52-61页
        4.4.1 系统开发环境第52页
        4.4.2 数据集的采集与标注第52-55页
        4.4.3 图像采集模块实现第55页
        4.4.4 图像预处理模块实现第55-57页
        4.4.5 果蔬检测与分类模块实现第57-59页
        4.4.6 结果展示模块实现第59-61页
    4.5 系统测试与结果分析第61-63页
        4.5.1 系统准确性测试第61-62页
        4.5.2 系统实时性测试第62-63页
        4.5.3 系统兼容性测试第63页
    4.6 本章小结第63-65页
第五章 总结与展望第65-67页
    5.1 本文研究总结第65-66页
    5.2 未来工作展望第66-67页
参考文献第67-70页
致谢第70页

论文共70页,点击 下载论文
上一篇:基于短期负荷预测的含分布式电源的配电网重构研究
下一篇:内蒙古大兴安岭地区银多金属矿床找矿模型与成矿预测