| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第14-21页 |
| 1.1 课题背景 | 第14-15页 |
| 1.2 国内外研究进展 | 第15-18页 |
| 1.2.1 农用无人机低空遥感发展与应用 | 第15-16页 |
| 1.2.2 国内外农田杂草识别技术的发展 | 第16-18页 |
| 1.3 研究目的和内容 | 第18-20页 |
| 1.3.1 研究目的 | 第18-19页 |
| 1.3.2 研究内容 | 第19-20页 |
| 1.4 本章小结 | 第20-21页 |
| 第2章 试验设备与方法 | 第21-33页 |
| 2.1 主要试验设备 | 第21-26页 |
| 2.1.1 模拟无人机平台 | 第21-22页 |
| 2.1.2 单反相机 | 第22-23页 |
| 2.1.3 多光谱相机 | 第23-24页 |
| 2.1.4 高光谱成像系统 | 第24-26页 |
| 2.2 研究方法 | 第26-32页 |
| 2.2.1 深度卷积神经网络 | 第26-27页 |
| 2.2.2 建模方法 | 第27-29页 |
| 2.2.3 光谱预处理方法 | 第29-31页 |
| 2.2.4 特征波长提取方法 | 第31-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 基于低空遥感RGB图像的油菜和杂草分类研究 | 第33-45页 |
| 3.1 引言 | 第33-34页 |
| 3.2 油菜与杂草冠层RGB图像数据采集及处理 | 第34-40页 |
| 3.2.1 样本培育 | 第34页 |
| 3.2.2 数据采集 | 第34-36页 |
| 3.2.3 RGB图像预处理 | 第36-39页 |
| 3.2.4 神经网络系统框架 | 第39-40页 |
| 3.3 结果与分析 | 第40-43页 |
| 3.3.1 网络系统架构的确定 | 第40-42页 |
| 3.3.2 不同因素对油菜和杂草分类的影响 | 第42-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第4章 基于低空遥感多光谱图像的油菜和杂草分类研究 | 第45-67页 |
| 4.1 引言 | 第45-46页 |
| 4.2 油菜与杂草冠层多光谱图像数据采集与处理 | 第46-49页 |
| 4.2.1 样本培育与数据采集 | 第46-47页 |
| 4.2.2 多光谱图像预处理 | 第47-48页 |
| 4.2.3 训练集与预测集的划分 | 第48-49页 |
| 4.3 基于冠层植被指数对油菜和杂草的分类模型研究 | 第49-60页 |
| 4.3.1 植被指数的选取 | 第49-54页 |
| 4.3.2 建立模型 | 第54-57页 |
| 4.3.3 不同因素对基于植被指数的油菜和杂草分类的影响 | 第57-60页 |
| 4.4 基于油菜和杂草冠层纹理特征的分类模型研究 | 第60-65页 |
| 4.4.1 纹理特征的提取 | 第60-61页 |
| 4.4.2 建立模型 | 第61-63页 |
| 4.4.3 不同因素对基于纹理特征的油菜和杂草分类的影响 | 第63-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第5章 基于高光谱图像的油菜和杂草分类研究 | 第67-84页 |
| 5.1 引言 | 第67页 |
| 5.2 油菜与杂草冠层高光谱图像数据采集与处理 | 第67-70页 |
| 5.2.1 样本培育与数据采集 | 第67-69页 |
| 5.2.2 高光谱图像数据处理 | 第69-70页 |
| 5.3 基于全波段的油菜和杂草分类模型研究 | 第70-75页 |
| 5.3.1 预处理方法的选择 | 第71-74页 |
| 5.3.2 不同试验时间对SVM模型分类的影响比较 | 第74-75页 |
| 5.4 基于特征波段的油菜与杂草的分类模型研究 | 第75-82页 |
| 5.4.1 特征波长的选择与比较 | 第75-80页 |
| 5.4.2 建模方法的选择与比较 | 第80-82页 |
| 5.5 本章小结 | 第82-84页 |
| 第6章 结论与展望 | 第84-88页 |
| 6.1 结论 | 第84-86页 |
| 6.2 创新点 | 第86页 |
| 6.3 展望 | 第86-88页 |
| 参考文献 | 第88-93页 |
| 作者简介 | 第93页 |
