基于流形学习的葡萄叶片品种识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究目的和意义 | 第10-11页 |
| 1.2 国内外研究概况 | 第11-14页 |
| 1.2.1 叶片识别研究现状 | 第11-12页 |
| 1.2.2 传统叶片识别研究存在问题 | 第12页 |
| 1.2.3 特征降维研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 技术路线 | 第14页 |
| 1.5 论文组织结构 | 第14-16页 |
| 1.6 本章小结 | 第16-17页 |
| 第二章 相关理论及方法介绍 | 第17-29页 |
| 2.1 卷积神经网络 | 第17-20页 |
| 2.1.1 网络模型 | 第17-18页 |
| 2.1.2 激活函数 | 第18-19页 |
| 2.1.3 隐藏层结构 | 第19-20页 |
| 2.2 流形学习降维 | 第20-21页 |
| 2.2.1 流形学习 | 第20-21页 |
| 2.2.2 流形学习的应用 | 第21页 |
| 2.3 流形学习常用算法 | 第21-26页 |
| 2.3.1 LLE算法概述 | 第21-22页 |
| 2.3.2 LE算法概述 | 第22-23页 |
| 2.3.3 LPP算法概述 | 第23-24页 |
| 2.3.4 NPE算法概述 | 第24-25页 |
| 2.3.5 Isomap算法概述 | 第25-26页 |
| 2.3.6 LLTSA算法概述 | 第26页 |
| 2.4 降维效果展示 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 葡萄叶片图像特征提取及分析 | 第29-40页 |
| 3.1 样本采集与实验环境 | 第29页 |
| 3.2 葡萄叶片分割 | 第29-31页 |
| 3.3 葡萄叶片特征提取 | 第31-35页 |
| 3.3.1 灰度图像向量特征 | 第31-32页 |
| 3.3.2 灰度共生矩阵特征 | 第32-33页 |
| 3.3.3 方向梯度直方图特征 | 第33-34页 |
| 3.3.4 深度学习叶片特征 | 第34-35页 |
| 3.4 葡萄叶片特征分析及降维 | 第35-37页 |
| 3.4.1 特征分析 | 第35-36页 |
| 3.4.2 特征降维分析 | 第36-37页 |
| 3.4.3 流形降维算法性质 | 第37页 |
| 3.5 流形降维可行性分析 | 第37-39页 |
| 3.5.1 人工设计特征流形降维可行性分析 | 第37-38页 |
| 3.5.2 卷积神经网络特征流形降维可行性分析 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于流形学习降维的葡萄叶片识别 | 第40-55页 |
| 4.1 样本特征维度设置 | 第40-43页 |
| 4.1.1 特征维度选取 | 第40-41页 |
| 4.1.2 维度设置分析 | 第41-43页 |
| 4.2 流形降维参数设置 | 第43-44页 |
| 4.3 叶片识别分类器 | 第44-47页 |
| 4.3.1 分类器介绍 | 第44-46页 |
| 4.3.2 分类器核函数选择 | 第46-47页 |
| 4.3.3 SVM参数网格寻优 | 第47页 |
| 4.4 识别实验分析 | 第47-51页 |
| 4.4.1 识别整体流程 | 第47-48页 |
| 4.4.2 人工设计特征提取降维对比实验 | 第48-49页 |
| 4.4.3 深度学习特征提取降维对比实验 | 第49页 |
| 4.4.4 流形学习参数对实验结果影响的分析 | 第49-51页 |
| 4.5 识别错误统计 | 第51-53页 |
| 4.6 本章小结 | 第53-55页 |
| 第五章 结论与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59-60页 |
| 作者简介 | 第60页 |
