| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文工作和结构安排 | 第12-14页 |
| 第二章 基础理论与关键技术 | 第14-22页 |
| 2.1 农业物联网体系架构 | 第14-15页 |
| 2.2 基于卷积神经网络的病虫害识别算法 | 第15-21页 |
| 2.2.1 卷积神经网络 | 第15-16页 |
| 2.2.2 卷积神经网络结构层 | 第16-18页 |
| 2.2.3 神经网络训练过程 | 第18-21页 |
| 2.2.4 Haar-AdaBoost分类算法 | 第21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 总体框架设计与移动客户端的实现 | 第22-64页 |
| 3.1 需求分析 | 第22-23页 |
| 3.2 系统总体架构设计 | 第23-26页 |
| 3.2.1 框架设计 | 第23-24页 |
| 3.2.2 工作流程时序设计 | 第24-26页 |
| 3.3 服务器的设计与实现 | 第26-36页 |
| 3.3.1 服务器总体框架设计 | 第26-31页 |
| 3.3.2 数据交互及加密设计 | 第31-36页 |
| 3.4 移动客户端设计 | 第36-62页 |
| 3.4.1 总体框架及功能模块 | 第36-40页 |
| 3.4.2 环境检测模块的设计与实现 | 第40-49页 |
| 3.4.3 设备控制模块的设计与实现 | 第49-54页 |
| 3.4.4 视频监控模块的设计与实现 | 第54-62页 |
| 3.5 本章小结 | 第62-64页 |
| 第四章 基于神经网络的病虫害检测算法 | 第64-81页 |
| 4.1 农作物病虫害识别算法流程 | 第64-65页 |
| 4.2 农作物目标的定位 | 第65-71页 |
| 4.2.1 农作物病虫害及图像采集 | 第65-67页 |
| 4.2.2 Haar-AdaBoost算法定位农作物 | 第67-71页 |
| 4.3 农作物的多种病虫害识别 | 第71-75页 |
| 4.3.1 AlexNet结构选择 | 第72-73页 |
| 4.3.2 采用CNN模型进行训练 | 第73页 |
| 4.3.3 实验结果分析 | 第73-74页 |
| 4.3.4 与现有识别方法的比较 | 第74-75页 |
| 4.4 移动客户端病虫害检测模块的设计 | 第75-79页 |
| 4.5 本章总结 | 第79-81页 |
| 第五章 结束语 | 第81-83页 |
| 5.1 总结 | 第81页 |
| 5.2 展望 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87页 |