| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 研究现状和发展趋势 | 第10-12页 |
| 1.2.1 除草机器人 | 第10-11页 |
| 1.2.2 机器视觉图像识别 | 第11页 |
| 1.2.3 PSO-BP神经网络 | 第11-12页 |
| 1.3 研究内容及技术路线图 | 第12-13页 |
| 1.4 课题章节安排 | 第13-15页 |
| 第二章 实验图像预处理及特征提取 | 第15-25页 |
| 2.1 除草机器人系统结构 | 第15-16页 |
| 2.2 图像预处理 | 第16-19页 |
| 2.2.1 超绿灰度化及均值滤波 | 第16-17页 |
| 2.2.2 Otsu法二值化及开运算 | 第17页 |
| 2.2.3 连接成分标记 | 第17-19页 |
| 2.3 特征提取 | 第19-24页 |
| 2.3.1 颜色特征 | 第19-20页 |
| 2.3.2 形状特征 | 第20-21页 |
| 2.3.3 纹理特征 | 第21-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 贝叶斯杂草分类器建立 | 第25-32页 |
| 3.1 贝叶斯分类器 | 第25-26页 |
| 3.1.1 贝叶斯分类器理论基础 | 第25页 |
| 3.1.2 朴素贝叶斯分类器算法步骤 | 第25-26页 |
| 3.2 基于主成分分析的贝叶斯杂草分类器 | 第26-28页 |
| 3.2.1 主成分分析原理 | 第26-27页 |
| 3.2.2 提取特征主成分 | 第27页 |
| 3.2.3 基于PCA-NBC算法的MATLAB实现 | 第27-28页 |
| 3.3 基于最优特征组合的贝叶斯杂草分类器 | 第28-31页 |
| 3.3.1 构建最优特征组合 | 第28-30页 |
| 3.3.2 基于最优特征组合的贝叶斯分类器MATLAB实现 | 第30-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 BP神经网络杂草分类模型 | 第32-43页 |
| 4.1 BP神经网络理论基础 | 第32-35页 |
| 4.1.1 BP神经网络结构 | 第32-33页 |
| 4.1.2 BP神经网络模块构成 | 第33-35页 |
| 4.2 BP神经网络模型设计 | 第35-38页 |
| 4.2.1 网络层数及训练函数 | 第35-36页 |
| 4.2.2 节点数及可调参数 | 第36-38页 |
| 4.3 BP神经网络模型MATLAB实现 | 第38-42页 |
| 4.3.1 BP神经网络模型 | 第38-39页 |
| 4.3.2 具体算法流程 | 第39-40页 |
| 4.3.3 模型分类结果与分析 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 PSO-BP神经网络杂草分类模型 | 第43-54页 |
| 5.1 粒子群优化算法理论基础 | 第43-45页 |
| 5.1.1 PSO算法寻优过程 | 第43-44页 |
| 5.1.2 PSO算法流程及步骤 | 第44-45页 |
| 5.2 PSO算法实现 | 第45-49页 |
| 5.2.1 算法参数设计 | 第45-46页 |
| 5.2.2 适应度函数 | 第46-48页 |
| 5.2.3 适应度函数测试 | 第48-49页 |
| 5.3 PSO-BP网络模型MATLAB实现 | 第49-52页 |
| 5.3.1 算法流程及步骤 | 第49-51页 |
| 5.3.2 模型分类结果与分析 | 第51-52页 |
| 5.4 本章小结 | 第52-54页 |
| 第六章 苗草识别分类仿真系统设计 | 第54-64页 |
| 6.1 软件开发工具 | 第54页 |
| 6.2 系统界面设计与实现 | 第54-62页 |
| 6.3 实验测试结果与分析 | 第62-63页 |
| 6.4 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间发表的学术论文及研究成果 | 第70-71页 |
| 作者简介 | 第71页 |