基于图像分析的梨树叶部病害识别系统研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 1 文献综述 | 第11-13页 |
| 1.1 梨树叶部病害 | 第11页 |
| 1.2 图像分析技术在植物病害诊断上的研究 | 第11-12页 |
| 1.2.1 国外研究概况 | 第11-12页 |
| 1.2.2 国内研究概况 | 第12页 |
| 1.3 本章小结 | 第12-13页 |
| 2 引言 | 第13-16页 |
| 2.1 研究目的和意义 | 第13页 |
| 2.2 研究目标及内容 | 第13-14页 |
| 2.3 技术路线 | 第14-15页 |
| 2.4 本章小结 | 第15-16页 |
| 3 基本理论概述 | 第16-19页 |
| 3.1 基于WEB的识别系统应用技术 | 第16-17页 |
| 3.1.1 C/S结构 | 第16页 |
| 3.1.2 B/S结构 | 第16-17页 |
| 3.1.3 基于WEB的农业专家系统 | 第17页 |
| 3.2 人工神经网络 | 第17-18页 |
| 3.2.1 人工神经网络简介 | 第17-18页 |
| 3.2.2 人工神经网络模型 | 第18页 |
| 3.3 BP神经网络 | 第18页 |
| 3.3.1 BP神经网络的优势 | 第18页 |
| 3.3.2 BP神经网络的学习算法 | 第18页 |
| 3.4 本章小结 | 第18-19页 |
| 4 供试图像的获取和预处理 | 第19-26页 |
| 4.1 研究对象的确定 | 第19-20页 |
| 4.2 病害图像数据的采集 | 第20-22页 |
| 4.2.1 图像采集时间、地点 | 第20页 |
| 4.2.2 采集方法 | 第20-22页 |
| 4.3 病害图像预处理 | 第22-25页 |
| 4.3.1 灰度变换 | 第22-23页 |
| 4.3.2 直方图均衡化 | 第23-24页 |
| 4.3.4 图像分割 | 第24-25页 |
| 4.4 本章小结 | 第25-26页 |
| 5 梨树病害特征参数的提取和优化 | 第26-35页 |
| 5.1 图像颜色特征提取 | 第26-29页 |
| 5.1.1 颜色特征提取方法 | 第26-27页 |
| 5.1.2 颜色模型的选择 | 第27页 |
| 5.1.3 颜色空间的转换 | 第27-29页 |
| 5.2 形状特征提取 | 第29-31页 |
| 5.2.1 区域标记 | 第29页 |
| 5.2.2 链码 | 第29-31页 |
| 5.3 纹理特征提取 | 第31-34页 |
| 5.4 本章小结 | 第34-35页 |
| 6 基于BP神经网络的病害识别模型 | 第35-44页 |
| 6.1 BP神经网络技术 | 第35-37页 |
| 6.1.1 BP神经网络 | 第35页 |
| 6.1.2 神经网络工具箱及MATLAB软件 | 第35-36页 |
| 6.1.3 模式识别的基本框架 | 第36-37页 |
| 6.2 梨树病害BP神经网络识别模型的设计 | 第37-38页 |
| 6.2.1 输入、输出变量的选择和训练、测试 | 第37页 |
| 6.2.2 神经网络的训练 | 第37-38页 |
| 6.2.3 神经网络的仿真 | 第38页 |
| 6.3 梨树病害BP神经网络识别模型的实现 | 第38-43页 |
| 6.3.1 BP神经网络的MATLAB实现 | 第38-40页 |
| 6.3.2 仿真实验及结果分析 | 第40-43页 |
| 6.4 本章小结 | 第43-44页 |
| 7 梨树病害识别WEB专家系统的设计与实现 | 第44-53页 |
| 7.1 开发环境及开发工具 | 第44页 |
| 7.2 系统采用网络架构 | 第44页 |
| 7.3 系统基本框架 | 第44-45页 |
| 7.4 系统的部分程序代码 | 第45-47页 |
| 7.5 系统的实现 | 第47-52页 |
| 7.6 本章小结 | 第52-53页 |
| 8 结论与讨论 | 第53-54页 |
| 8.1 结论 | 第53页 |
| 8.2 讨论 | 第53-54页 |
| 参考文献 | 第54-56页 |
| 作者简介 | 第56页 |
