基于迁移学习的葡萄叶片病害识别方法研究

• 花匠小妙招
• 2024-11-24 19:37

声明

中文摘要

英文摘要

目录

第一章绪论

1.1 研究背景与意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3 研究内容与技术路线

1.3.1 研究内容

1.3.2 技术路线

1.4 论文组织结构

1.5 本章小结

第二章葡萄叶片病害识别理论基础

2.1 数据集

2.1.1 病害识别数据集组成及示例

2.1.2 数据增广

2.2 深度学习

2.3 迁移学习

2.4 深度迁移学习

2.5 评价指标

2.6 本章小结

第三章基于迁移学习和SENeXt的葡萄叶片病害识别方法

3.1 融合SENet与ResNeXt网络的葡萄叶片病害识别模型

3.1.1 特征提取层

3.1.2 Squeeze-and-ExcitationNetworks（SENet）

3.1.3 ResNeXt网络层

3.1.4 分类层

3.2 基于SENeXt和模型迁移策略构建葡萄叶片病害识别模型

3.3 试验结果与分析

3.3.1 数据集划分

3.3.2 试验设置

3.3.3 不同卷积模型的葡萄叶片病害分类结果对比

3.3.4 迁移学习和全新学习对比试验

3.3.5 迁移学习与全新学习训练误差可视化对比

3.4 本章小结

第四章基于深度迁移学习和MobileNetV3的葡萄叶片病害识别方法

4.1 GLD-DTL方法

4.1.1 图像质量检测器

4.1.2 数据增广

4.1.3 基于GLD-DTL葡萄叶片病害识别模型网络（GLDR）构建

4.1.4 MobileNetV3网络模型

4.1.5 知识蒸馏

4.1.6 模型迁移

4.1.7 迁移步骤

4.2 试验结果与分析

4.2.1 数据集划分

4.2.2 试验设置

4.2.3 图像清晰度检测的评价

4.2.4 数据增广策略的评估

4.2.5 GLD-DTL方法评价

4.2.6 混淆矩阵

4.3 本章小结

第五章葡萄叶片病害识别系统设计与实现

5.1 系统需求分析

5.2 系统实现的相关技术

5.2.1 模型推理

5.2.2 模型部署环境

5.3 葡萄叶片病害识别诊断系统设计

5.3.1 系统部署流程

5.3.2 功能模块设计

5.4 葡萄叶片病害识别模型推理移动端部署

5.4.1 Android开发环境配置部署

5.4.2 手机端部署

5.5 葡萄叶片病害识别模型推理网页端部署

5.5.1 paddle.js开发环境配置部署

5.5.2 网页端部署

5.6 葡萄叶片病害识别模型推理客户端部署

5.6.1 可执行程序（exe）开发环境配置部署

5.6.2 客户端部署

5.7 试验结果与分析

5.7.1 开发环境

5.7.2 测试结果

5.8 本章小结

第六章总结与展望

6.1 总结

6.2 创新点

6.3 展望

参考文献

在读期间公开发表的成果

致谢

相关知识

基于 CNN 和迁移学习的农作物病害识别方法研究
基于深度学习的苹果叶片病害识别研究
基于迁移学习的苹果树叶片病虫害识别方法研究
基于卷积神经网络的多尺度葡萄图像识别方法
基于深度学习/YOLOv8的植物叶片病害识别系统【附源码+可远程安装部署】
基于残差网络迁移学习的花卉识别系统
基于无人机图像的边坡病害识别方法
基于深度迁移学习模型的花卉种类识别
深度学习下的小样本玉米叶片病害识别研究
基于卷积神经网络的花卉识别方法

网址: 基于迁移学习的葡萄叶片病害识别方法研究 https://m.huajiangbk.com/newsview701156.html