摘要 | 第4-5页 |
ABSTRACT | 第5页 |
1 绪论 | 第9-23页 |
1.1 研究目的和意义 | 第9-11页 |
1.2 国内外林业智能装备研究进展 | 第11-19页 |
1.2.1 国内外林业装备技术水平和发展趋势 | 第11-12页 |
1.2.2 面向林业装备的智能环境检测系统研究 | 第12-14页 |
1.2.3 传感器信息融合技术 | 第14-18页 |
1.2.4 研究现状中现存的主要问题 | 第18-19页 |
1.3 本文主要工作 | 第19-23页 |
1.3.1 主要研究内容 | 第19页 |
1.3.2 研究方法和方案 | 第19-20页 |
1.3.3 技术路线与论文结构 | 第20-23页 |
2 实验设备与数据采集 | 第23-31页 |
2.1 林区环境信息采集系统搭建 | 第23-25页 |
2.1.1 二维激光测距仪LMS291 | 第23-24页 |
2.1.2 红外热像仪Ti55 | 第24-25页 |
2.2 实验地点与环境 | 第25-26页 |
2.3 原始数据采集 | 第26-28页 |
2.4 激光数据目标特征的提取 | 第28-29页 |
2.5 本章小结 | 第29-31页 |
3 激光与图像数据的预处理 | 第31-49页 |
3.1 二维激光数据与图像的标定 | 第31-44页 |
3.1.1 CCD相机的标定模型 | 第31-34页 |
3.1.2 CCD相机的参数标定方法 | 第34页 |
3.1.3 张氏标定法的相机标定试验 | 第34-38页 |
3.1.4 外部参数求解 | 第38-41页 |
3.1.5 结果优化 | 第41-44页 |
3.2 红外图像与可见光图像的融合 | 第44-48页 |
3.2.1 图像分解 | 第44-46页 |
3.2.2 图像重建 | 第46-47页 |
3.2.3 图像融合结果 | 第47-48页 |
3.3 本章小结 | 第48-49页 |
4 基于图像的目标特征提取与分析 | 第49-57页 |
4.1 温度特征 | 第49-50页 |
4.2 颜色特征 | 第50-51页 |
4.3 形状特征 | 第51-52页 |
4.3.1 宽高比 | 第51-52页 |
4.3.2 矩形度 | 第52页 |
4.4 特征分析 | 第52-56页 |
4.5 本章小结 | 第56-57页 |
5 基于激光与图像的采育目标识别算法研究 | 第57-76页 |
5.1 AdaBoost算法 | 第57-60页 |
5.1.1 AdaBoost算法原理 | 第58-59页 |
5.1.2 基于AdaBoost算法的采育目标识别结果 | 第59-60页 |
5.2 k近邻算法 | 第60-61页 |
5.2.1 k近邻算法原理 | 第60页 |
5.2.2 基于k近邻算法的采育目标识别结果 | 第60-61页 |
5.3 人工神经网络算法 | 第61-72页 |
5.3.1 人工神经网络算法原理 | 第61-63页 |
5.3.2 基于人工神经网络的采育目标识别结果 | 第63-72页 |
5.4 SVM支持向量机 | 第72-74页 |
5.4.1 SVM支持向量机算法原理 | 第72-73页 |
5.4.2 基于SVM的采育目标识别结果 | 第73-74页 |
5.5 不同算法的识别结果比较 | 第74页 |
5.6 本章小结 | 第74-76页 |
6 基于SVM的采育目标识别算法的改进与优化 | 第76-90页 |
6.1 SVM模型的参数优化设置 | 第76-81页 |
6.1.1 模型参数对模型性能的影响 | 第76-77页 |
6.1.2 模型参数的优化计算 | 第77-80页 |
6.1.3 不同算法优化后模型性能比较 | 第80-81页 |
6.2 基于模糊SVM的采育目标识别算法 | 第81-88页 |
6.2.1 模糊支持向量机的算法原理 | 第82-83页 |
6.2.2 模糊向量机的模糊隶属度计算 | 第83-84页 |
6.2.3 不同模糊向量机模型对采育目标识别结果比较 | 第84-88页 |
6.3 不同检测模式下的算法验证 | 第88-89页 |
6.4 检测结果可视化显示 | 第89页 |
6.5 本章总结 | 第89-90页 |
7 结论与展望 | 第90-92页 |
7.1 结论 | 第90页 |
7.2 创新点 | 第90页 |
7.3 不足与展望 | 第90-92页 |
参考文献 | 第92-98页 |
个人简介 | 第98-99页 |
导师简介 | 第99-100页 |
获得成果目录 | 第100-101页 |
致谢 | 第101页 |