一种基于卷积神经网络的轻量级木材图像识别模型研究

声明

摘要

1 绪论

1．1 研究背景及意义

1．2 木材识别技术国内外研究现状

1．3 深度学习技术在图像识别领域研究现状

1．4 论文主要内容和组织结构

2 卷积神经网络理论

2．1 卷积神经网络结构

2．2 模型优化算法

2．2．1 Dropout

2．2．2 Batch Normalization

2．3 卷积神经网络模型

2．3．1 AlexNet

2．3．2 GoogLeNet

2．4 深度学习框架简介

2．5 本章小结

3 木材扫描电镜图像数据集制作

3．1 木材显微图像的收集与预处理

3．2 木材显微图像的命名规则

3．3 木材扫描电镜显微图像数据集的建立

3．4 本章小结

4 基于卷积神经网络的轻量级木材显微图像识别模型

4．1 木材显微图像识别模型结构设计

4．2 木材显微图像识别模型的影响因素分析

4．2．1 不同激活函数对分类精度的影响

4．2．2 Batch Normalization位置对分类精度的影响

4．2．3 卷积核大小和数量对分类性能的影响

4．2．4 优化器(Optimizer)的选择对分类性能的影响

4．2．5 网络深度对分类性能的影响

4．3 本章小结

5 实验与结果分析

5．1 分类工作

5．2 木材SEM图像特征可视化

5．3 结果与分析

5．3．1 与AlexNet和GoogLeNet分类结果比较

5．3．2 与传统的木材显微图像识别方法比较

5．4 本章小结

6 结论与展望

6．1 结论

6．2 展望

参考文献

附录

致谢