基于高光谱技术的水稻稻曲病监测研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 选题背景 | 第9-10页 |
| 1.2 研究目的 | 第10页 |
| 1.3 研究意义 | 第10-12页 |
| 第2章 文献综述 | 第12-19页 |
| 2.1 植物病害的概况 | 第12-13页 |
| 2.2 植物病害胁迫下光谱响应机制 | 第13-14页 |
| 2.3 国内外研究现状 | 第14-17页 |
| 2.4 待解决的问题 | 第17-19页 |
| 第3章 试验设计及方法 | 第19-31页 |
| 3.1 试验设计 | 第19-20页 |
| 3.1.1 试验地点 | 第19页 |
| 3.1.2 试验时间 | 第19页 |
| 3.1.3 试验设计 | 第19-20页 |
| 3.2 光谱仪的选用 | 第20-22页 |
| 3.3 光谱测定方法 | 第22-31页 |
| 3.3.1 支持向量机(SVM) | 第23-26页 |
| 3.3.2 主成分分析(PCA) | 第26-28页 |
| 3.3.3 偏最小二乘法(PLS) | 第28-29页 |
| 3.3.4 人工神经网络(ANN) | 第29-31页 |
| 第4章 高光谱技术分类研究 | 第31-39页 |
| 4.1 高光谱技术概述 | 第31-32页 |
| 4.2 高光谱数据处理 | 第32-36页 |
| 4.2.1 图像增强 | 第33-35页 |
| 4.2.2 图像边缘提取 | 第35-36页 |
| 4.3 波谱角填图 | 第36-37页 |
| 4.4 图像识别概述 | 第37-39页 |
| 第5章 基于支持向量机技术的水稻稻曲病害识别模型 | 第39-51页 |
| 5.1 传统病害识别方法 | 第39页 |
| 5.2 建立水稻稻曲病预测模型 | 第39-46页 |
| 5.2.1 水稻原始光谱数据分析 | 第40-41页 |
| 5.2.2 特征图像的选取 | 第41-42页 |
| 5.2.3 基于支持向量机建立识别模型 | 第42-44页 |
| 5.2.4 图像分类 | 第44-46页 |
| 5.3 模型检验 | 第46-48页 |
| 5.4 结果与分析 | 第48-51页 |
| 第6章 基于主成分分析的水稻稻曲病害识别模型 | 第51-57页 |
| 6.1 特征波长选取 | 第51-54页 |
| 6.2 建立水稻稻曲病监测模型 | 第54-55页 |
| 6.3 模型检验 | 第55页 |
| 6.4 结果与分析 | 第55-57页 |
| 第7章 结论与展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 附录 | 第65页 |
