| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景与研究意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究目的及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 传统的机器学习技术在农业中的应用 | 第10-11页 |
| 1.2.2 深度学习在农业领域的应用 | 第11页 |
| 1.2.3 生成对抗网络的发展及应用 | 第11-12页 |
| 1.3 本文的主要研究内容 | 第12-13页 |
| 1.4 论文安排 | 第13-15页 |
| 2 图像识别与样本扩充相关方法 | 第15-26页 |
| 2.1 引言 | 第15页 |
| 2.2 传统的图像识别算法 | 第15-18页 |
| 2.2.1 特征提取 | 第16页 |
| 2.2.2 经典的分类算法 | 第16-18页 |
| 2.3 基于卷积神经网络的图像识别方法 | 第18-21页 |
| 2.4 样本扩充方法 | 第21-25页 |
| 2.4.1 传统的样本扩充方法 | 第21-23页 |
| 2.4.2 生成对抗网络扩充方法 | 第23-25页 |
| 2.5 小结 | 第25-26页 |
| 3 基于深度卷积生成对抗网络的样本扩充 | 第26-41页 |
| 3.1 深度卷积生成对抗网络模型及原理介绍 | 第26-28页 |
| 3.2 深度卷积生成对抗网络模型的改进 | 第28-33页 |
| 3.2.1 数据预处理 | 第28-29页 |
| 3.2.2 改进方法说明 | 第29-33页 |
| 3.3 实验结果及分析 | 第33-36页 |
| 3.3.1 改进后的DCGAN实验效果图 | 第33-35页 |
| 3.3.2 改进的DCGAN与 WGAN的实验对比 | 第35-36页 |
| 3.4 扩充后样本的质量评价方法介绍 | 第36-40页 |
| 3.4.1 图像均值法评价图像之间的相似度 | 第36-38页 |
| 3.4.2 最大平均差异法评价生成图像质量 | 第38-40页 |
| 3.5 小结 | 第40-41页 |
| 4 基于卷积神经网络的柑橘溃疡病识别分类 | 第41-58页 |
| 4.1 数据集说明 | 第41-43页 |
| 4.1.1 数据预处理 | 第41-42页 |
| 4.1.2 数据集划分 | 第42-43页 |
| 4.2 优化的卷积神经网络模型 | 第43-47页 |
| 4.2.1 卷积神经网络模型 | 第43-44页 |
| 4.2.2 优化的卷积神经网络模型 | 第44-47页 |
| 4.3 实验结果及分析 | 第47-53页 |
| 4.3.1 实验评价指标 | 第47-48页 |
| 4.3.2 与传统的图像识别算法的性能比较 | 第48-49页 |
| 4.3.3 迁移学习和扩充样本后的实验效果 | 第49-52页 |
| 4.3.4 分类器分类能力与专家分类能力对比 | 第52-53页 |
| 4.4 增量学习 | 第53-57页 |
| 4.4.1 增量学习方法介绍 | 第53-55页 |
| 4.4.2 增量学习实验结果分析 | 第55-57页 |
| 4.5 小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64-65页 |
| A.作者在攻读学位期间发表的论文 | 第64页 |
| B.学位论文数据集 | 第64-65页 |
| 致谢 | 第65-66页 |