| 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 |