| 中文摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究目的与意义 | 第11-12页 |
| 1.2 国内外研究现状及存在的问题 | 第12-17页 |
| 1.2.1 国内林区监测技术研究现状 | 第13-15页 |
| 1.2.2 国外林区监测技术研究现状 | 第15-16页 |
| 1.2.3 存在的问题 | 第16-17页 |
| 1.3 研究内容 | 第17-18页 |
| 1.4 研究方法与技术路线 | 第18-19页 |
| 1.5 论文结构 | 第19-21页 |
| 2 相关技术介绍 | 第21-28页 |
| 2.1 无人机航拍技术 | 第21-22页 |
| 2.2 目标检测 | 第22-25页 |
| 2.2.1 基于机器学习的目标检测算法 | 第22-23页 |
| 2.2.2 基于深度学习的目标检测模型 | 第23-25页 |
| 2.2.3 嵌入式目标检测模型 | 第25页 |
| 2.3 边缘计算平台 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 3 HOG-SVM松材线虫病树检测方法 | 第28-37页 |
| 3.1 研究区域概况 | 第28-29页 |
| 3.1.1 地理位置 | 第28-29页 |
| 3.2 数据采集 | 第29-30页 |
| 3.3 选择搜索 | 第30-33页 |
| 3.3.1 过分割图像 | 第31-32页 |
| 3.3.2 层次化合并 | 第32-33页 |
| 3.4 目标检测算法整体流程 | 第33-34页 |
| 3.4.1 HOG特征提取 | 第34页 |
| 3.4.2 SVM分类器 | 第34页 |
| 3.5 模型测试与结果分析 | 第34-36页 |
| 3.5.1 模型测试 | 第34-35页 |
| 3.5.2 检测结果分析 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 基于深度学习的无人机松材线虫病树检测方法 | 第37-46页 |
| 4.1 构建PASCALVOC数据集 | 第37-38页 |
| 4.2 目标检测方法 | 第38-41页 |
| 4.2.1 目标检测方法的部署与训练 | 第38页 |
| 4.2.2 评估指标 | 第38-39页 |
| 4.2.3 检测效果示例 | 第39-41页 |
| 4.2.4 目标检测模型的性能 | 第41页 |
| 4.3 基于CIOU的 YOLOV3 松材线虫病树检测方法 | 第41-43页 |
| 4.4 结果与分析 | 第43-45页 |
| 4.4.1 识别效果示例 | 第43-44页 |
| 4.4.2 P-R曲线 | 第44页 |
| 4.4.3 平均损失曲线 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 机载边缘计算平台松材线虫病树监测系统 | 第46-54页 |
| 5.1 系统整体设计 | 第46页 |
| 5.2 树莓派边缘计算平台 | 第46-47页 |
| 5.3 嵌入式松材线虫病树目标检测方法 | 第47-51页 |
| 5.3.1 MobileNet v2-SSDLite松材线虫病树检测方法 | 第48-49页 |
| 5.3.2 模型的部署与训练 | 第49-50页 |
| 5.3.3 松材线虫病树检测模型的性能评估 | 第50-51页 |
| 5.4 系统的工作流程 | 第51-52页 |
| 5.5 运行测试 | 第52-53页 |
| 5.6 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-64页 |
| 致谢 | 第64-66页 |
| 攻读硕士学位期间取得的成果 | 第66页 |