基于深度学习的储粮害虫检测方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第15-22页 |
| 1.1 课题背景与意义 | 第15-17页 |
| 1.2 粮虫图像识别检测技术的研究现状 | 第17-18页 |
| 1.3 深度学习技术 | 第18-20页 |
| 1.4 论文主要内容与组织结构 | 第20-22页 |
| 第2章 浅层学习与深度学习 | 第22-52页 |
| 2.1 浅层学习 | 第22-34页 |
| 2.1.1 神经网络模型 | 第22-24页 |
| 2.1.2 构造神经网络 | 第24-28页 |
| 2.1.3 人工神经网络 | 第28-30页 |
| 2.1.4 BP神经网络 | 第30-34页 |
| 2.2 深度学习 | 第34-50页 |
| 2.2.1 稀疏自动编码器 | 第34-36页 |
| 2.2.2 限制玻尔兹曼机 | 第36-39页 |
| 2.2.3 深度信念网络 | 第39-41页 |
| 2.2.4 卷积神经网络 | 第41-50页 |
| 2.3 本章小结 | 第50-52页 |
| 第3章 基于卷积神经网络的粮虫图像检测 | 第52-65页 |
| 3.1 卷积神经网络结构 | 第52-56页 |
| 3.1.1 卷积神经网络的结构 | 第52-53页 |
| 3.1.2 参数减少与权值共享 | 第53-55页 |
| 3.1.3 最优化求解过程 | 第55-56页 |
| 3.2 基于卷积神经网络的粮虫图像检测 | 第56-63页 |
| 3.2.1 粮虫图像采集与数据集制作 | 第57-59页 |
| 3.2.2 卷积神经网络模型结构 | 第59-61页 |
| 3.2.3 实验环境及参数设置 | 第61-62页 |
| 3.2.4 实验结果与分析 | 第62-63页 |
| 3.3 本章小结 | 第63-65页 |
| 第4章 卷积神经网络的改进及其算法研究 | 第65-80页 |
| 4.1 图像扭曲技术 | 第65-70页 |
| 4.1.1 图像扭曲技术与方法 | 第65-67页 |
| 4.1.2 图像扭曲实验设置 | 第67-68页 |
| 4.1.3 实验结果与分析 | 第68-70页 |
| 4.2 深度卷积神经网络 | 第70-78页 |
| 4.2.1 深度卷积神经网络模型结构 | 第70-72页 |
| 4.2.2 ReLU激活函数 | 第72页 |
| 4.2.3 实验环境及参数设置 | 第72-74页 |
| 4.2.4 实验结果与分析 | 第74-78页 |
| 4.3 本章小结 | 第78-80页 |
| 第5章 总结与展望 | 第80-82页 |
| 5.1 本文工作总结 | 第80-81页 |
| 5.2 今后有待进一步研究的问题 | 第81-82页 |
| 参考文献 | 第82-87页 |
| 致谢 | 第87-89页 |
| 作者简历及攻读硕士学位期间发表论文目录 | 第89页 |
