| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11-12页 |
| 1.3 本文的主要研究内容 | 第12-13页 |
| 1.4 论文组织及内容安排 | 第13-14页 |
| 第2章 相关技术介绍 | 第14-25页 |
| 2.1 SVM图像识别技术分析 | 第14-19页 |
| 2.1.1 SVM算法原理 | 第14-15页 |
| 2.1.2 SVM核函数 | 第15-17页 |
| 2.1.3 SVM多类识别策略 | 第17-19页 |
| 2.2 基于Python-OpenCV的图像处理方法 | 第19-21页 |
| 2.2.1 Python | 第19-20页 |
| 2.2.2 OpenCV | 第20-21页 |
| 2.3 微服务开发技术研究 | 第21-24页 |
| 2.3.1 微服务概念 | 第21-22页 |
| 2.3.2 微服务特性 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于图像识别的农作物虫害检测服务设计 | 第25-33页 |
| 3.1 基于VMware的云平台研究 | 第25-26页 |
| 3.2 Dubbox服务治理框架研究 | 第26-28页 |
| 3.3 基于图像识别的农作物虫害检测服务设计 | 第28-31页 |
| 3.3.1 基于图像识别的农作物虫害检测服务功能 | 第28-29页 |
| 3.3.2 基于图像识别的农作物虫害检测服务架构 | 第29-31页 |
| 3.4 基于图像识别的农作物虫害检测服务模型 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于图像识别的农作物虫害检测服务实现 | 第33-45页 |
| 4.1 图像预处理方法 | 第33-37页 |
| 4.1.1 基于加权中值快速滤波法的图像去噪方法 | 第33-35页 |
| 4.1.2 基于最大类间误差法(Otsu)和超绿特征的图像分割方法 | 第35-37页 |
| 4.2 基于多参数的特征提取方法 | 第37-42页 |
| 4.2.1 颜色特征 | 第37-40页 |
| 4.2.2 纹理特征 | 第40-41页 |
| 4.2.3 形态特征 | 第41-42页 |
| 4.3 基于一对一淘汰策略和融合核函数的M-SVM多类识别算法 | 第42-44页 |
| 4.3.1 基于局部核函数和全局核函数融合的M-SVM算法 | 第42-43页 |
| 4.3.2 引入一对一淘汰策略的M-SVM多类识别器 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 实验内容及结果分析 | 第45-51页 |
| 5.1 实验环境 | 第45页 |
| 5.2 实验目的 | 第45-46页 |
| 5.3 实验内容及数据分析 | 第46-50页 |
| 5.3.1 实验样本 | 第46页 |
| 5.3.2 图像预处理结果及分析 | 第46-48页 |
| 5.3.3 特征提取与图像识别实验数据结果及分析 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第57-58页 |
| 致谢 | 第58页 |
