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
浙江农林大学;