基于深度神经网络的中药材识别
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 中药材识别的研究背景和意义 | 第11-12页 |
| 1.2 中药材识别的发展现状 | 第12-15页 |
| 1.3 深度学习的发展 | 第15-18页 |
| 1.4 论文的主要工作 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第二章 卷积神经网络知识 | 第20-38页 |
| 2.1 神经网络 | 第20-21页 |
| 2.2 卷积网络层 | 第21-24页 |
| 2.2.1 卷积层 | 第21-23页 |
| 2.2.2 池化层 | 第23页 |
| 2.2.3 全连接层 | 第23-24页 |
| 2.3 其他常用网络层 | 第24-26页 |
| 2.3.1 激活层 | 第24-25页 |
| 2.3.2 Softmax层 | 第25-26页 |
| 2.3.3 Dropout层 | 第26页 |
| 2.3.4 BN层 | 第26页 |
| 2.4 常用的优化算法 | 第26-31页 |
| 2.4.1 随机梯度下降算法 | 第27页 |
| 2.4.2 动量下降算法 | 第27-28页 |
| 2.4.3 Nesterov加速下降算法 | 第28-29页 |
| 2.4.4 Adagrad算法 | 第29页 |
| 2.4.5 Adadelta算法 | 第29-30页 |
| 2.4.6 RMSprop算法 | 第30页 |
| 2.4.7 Adam算法 | 第30-31页 |
| 2.5 模型及框架介绍 | 第31-35页 |
| 2.5.1 AlexNet模型结构 | 第31-32页 |
| 2.5.2 GoogLeNet模型结构 | 第32-34页 |
| 2.5.3 SqueezeNet模型结构 | 第34-35页 |
| 2.6 常用深度学习框架 | 第35-37页 |
| 2.6.1 Caffe | 第35-36页 |
| 2.6.2 TenserFlow | 第36页 |
| 2.6.3 Torch | 第36页 |
| 2.6.4 Theano | 第36-37页 |
| 2.6.5 MXNet | 第37页 |
| 2.6.6 对比 | 第37页 |
| 2.7 本章小结 | 第37-38页 |
| 第三章 集成学习知识 | 第38-44页 |
| 3.1 集成学习 | 第38-39页 |
| 3.2 集成学习之Bagging | 第39-40页 |
| 3.3 集成学习之Boosting | 第40-41页 |
| 3.4 Bagging与Boosting的比较 | 第41-42页 |
| 3.5 集成学习之结合策略 | 第42-43页 |
| 3.5.1 平均法 | 第42页 |
| 3.5.2 投票法 | 第42-43页 |
| 3.5.3 学习法 | 第43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 中药材数据集构建 | 第44-48页 |
| 4.1 中药材类别 | 第44-45页 |
| 4.2 网络爬虫 | 第45-46页 |
| 4.3 药材店拍摄 | 第46页 |
| 4.4 数据集整合 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 中药材识别 | 第48-59页 |
| 5.1 模型基础结构 | 第48-49页 |
| 5.2 特征融合 | 第49-52页 |
| 5.2.1 中药材识别的特点 | 第49-50页 |
| 5.2.2 深度卷积神经网络的特征融合 | 第50-51页 |
| 5.2.3 特征融合网络的训练方式 | 第51-52页 |
| 5.3 集成学习 | 第52-53页 |
| 5.4 算法实现细节 | 第53-58页 |
| 5.4.1 数据处理 | 第53-56页 |
| 5.4.2 模型训练细节 | 第56-57页 |
| 5.4.3 整体流程 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 实验与结果分析 | 第59-70页 |
| 6.1 实验环境 | 第59页 |
| 6.2 衡量实验结果的指标 | 第59页 |
| 6.3 传统特征实验 | 第59-60页 |
| 6.4 神经网络训练实验 | 第60-63页 |
| 6.4.1 参数初始化方式 | 第60-61页 |
| 6.4.2 数据增强实验 | 第61-62页 |
| 6.4.3 实验对比图 | 第62-63页 |
| 6.5 特征融合实验 | 第63-66页 |
| 6.5.1 AlexNet特征融合 | 第63-64页 |
| 6.5.2 SqueezeNet特征融合 | 第64页 |
| 6.5.3 GoogLeNet特征融合 | 第64-65页 |
| 6.5.4 特征融合网络与原网络代价分析 | 第65-66页 |
| 6.6 集成学习实验 | 第66-68页 |
| 6.6.1 单种网络集成 | 第66-68页 |
| 6.6.2 多种网络集成 | 第68页 |
| 6.7 本章小结 | 第68-70页 |
| 第七章 中药材识别APP | 第70-72页 |
| 7.1 系统相关技术 | 第70页 |
| 7.2 系统架构 | 第70页 |
| 7.3 运行效果图 | 第70-71页 |
| 7.4 本章小结 | 第71-72页 |
| 总结与展望 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-81页 |
| 致谢 | 第81-82页 |
| 附件 | 第82页 |
