粮食害虫智能检测及分类方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-16页 |
| ·对储粮害虫在线检测研究的意义 | 第10-11页 |
| ·当前国内外粮食害虫检测的主要方法 | 第11-13页 |
| ·基于图像识别的机器视觉储粮害虫检测新方法 | 第13-14页 |
| ·本文的主要工作及内容安排 | 第14-16页 |
| 第二章 粮虫图像处理以及特征提取 | 第16-32页 |
| ·图像增强 | 第16-19页 |
| ·图像去噪 | 第17页 |
| ·图像平滑 | 第17-19页 |
| ·图像分割 | 第19-23页 |
| ·矩量保持法 | 第19-20页 |
| ·最小误差方法 | 第20-21页 |
| ·模糊法 | 第21页 |
| ·实验分析 | 第21-23页 |
| ·特征提取 | 第23-31页 |
| ·形态学特征提取 | 第24-29页 |
| ·形态学特征归一化 | 第29-30页 |
| ·形态学特征选择 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 粮食害虫分类器设计 | 第32-43页 |
| ·基于径向基函数神经网络粮虫分类器设计 | 第32-38页 |
| ·径向基函数神经网络模型 | 第32-33页 |
| ·径向基函数神经网络的学习 | 第33-34页 |
| ·通过模糊聚类来确定基函数的中心和方差 | 第34-36页 |
| ·径向基函数神经网络输出层权值学习 | 第36-38页 |
| ·基于模糊的模糊 BP 网路分类器的设计 | 第38-41页 |
| ·Gauss 模糊分类器 | 第38-40页 |
| ·模糊 BP 网络分类器 | 第40-41页 |
| ·分类器的分析比较 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于微分信息的神经网络规则有效抽取 | 第43-53页 |
| ·基于微分信息的属性判别能力度量 | 第43-46页 |
| ·属性值与分类值的量化和规范化 | 第43-44页 |
| ·（？）的分布与分类超曲面的关系 | 第44-45页 |
| ·属性判别能力度量 | 第45-46页 |
| ·规则抽取方法 | 第46-49页 |
| ·规则的表示与抽取过程 | 第46-47页 |
| ·属性取值空间估计 | 第47-48页 |
| ·属性的区间分割 | 第48-49页 |
| ·规则抽取算法 | 第49-50页 |
| ·神经网络模型的复杂性调整 | 第50-51页 |
| ·（？）与隐节点数n_H和网络权值的关系 | 第50-51页 |
| ·基于输出范围调整的网络复杂性调整 | 第51页 |
| ·实例分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第五章 基于图像识别的粮食害虫检测系统 | 第53-62页 |
| ·系统检测的功能 | 第53-54页 |
| ·检测系统硬件的设计 | 第54页 |
| ·系统的软件设计 | 第54-57页 |
| ·粮食害虫在线识别平台架构 | 第57-61页 |
| ·系统需求 | 第57-59页 |
| ·系统部署结构 | 第59页 |
| ·WEB 服务器端系统机构 | 第59-60页 |
| ·客户端技术 | 第60页 |
| ·数据库结构 | 第60页 |
| ·计算服务器技术 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第六章 结论与展望 | 第62-64页 |
| ·本文所完成的工作 | 第62-63页 |
| ·需要进一步研究的问题 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 作者个人简历及论文发表情况 | 第70页 |
