基于机器视觉的农田害虫快速检测与识别研究
| 摘要 | 第1-9页 |
| Abstract | 第9-15页 |
| 图目录 | 第15-17页 |
| 表目录 | 第17-18页 |
| 缩略词表 | 第18-19页 |
| 第一章 绪论 | 第19-30页 |
| ·研究的背景及意义 | 第19页 |
| ·机器视觉技术在农业上的应用 | 第19-20页 |
| ·机器视觉技术在昆虫识别上的应用 | 第20-24页 |
| ·国外研究现状 | 第20-22页 |
| ·国内研究现状 | 第22-24页 |
| ·存在的问题及主要研究内容 | 第24-25页 |
| ·存在的问题 | 第24页 |
| ·主要研究内容 | 第24-25页 |
| ·本文的技术路线 | 第25-28页 |
| ·本文的组织结构 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第二章 害虫图像的采集和图像分割技术研究 | 第30-54页 |
| ·害虫图像的采集 | 第30-34页 |
| ·试验材料 | 第30-32页 |
| ·图像采集系统设计及图像获取 | 第32-34页 |
| ·图像分割技术 | 第34-43页 |
| ·图像分割技术概念 | 第34-36页 |
| ·常见分割算法分析 | 第36-43页 |
| ·面向害虫图像的分割技术研究 | 第43-50页 |
| ·颜色模型分析 | 第43-48页 |
| ·基于HSV模型的害虫图像分割技术 | 第48-50页 |
| ·害虫图像分割的后续处理 | 第50-51页 |
| ·图像的形态学处理 | 第50-51页 |
| ·空洞填充 | 第51页 |
| ·害虫图像分割算法实现 | 第51-52页 |
| ·本章小结 | 第52-54页 |
| 第三章 害虫图像多特征提取技术研究与实现 | 第54-91页 |
| ·目标区域低层视觉特征提取 | 第54-68页 |
| ·颜色特征 | 第54-56页 |
| ·纹理特征 | 第56-62页 |
| ·几何形状特征 | 第62-65页 |
| ·基于Hu矩的特征参数提取 | 第65-68页 |
| ·特征的选择 | 第68-76页 |
| ·主成分分析法 | 第69-71页 |
| ·蚁群算法 | 第71-76页 |
| ·SIFT局部特征提取 | 第76-86页 |
| ·检测尺度空间极值 | 第77-82页 |
| ·精确定位特征点位置 | 第82-83页 |
| ·确定特征点的方向 | 第83-84页 |
| ·生成SIFT特征描述符 | 第84-86页 |
| ·k-means聚类方法 | 第86页 |
| ·基于“Bag-of-Words”图像建模方法 | 第86-88页 |
| ·数据归一化 | 第88-89页 |
| ·普通归一化 | 第89页 |
| ·坐标分布归一化 | 第89页 |
| ·平均数方差法 | 第89页 |
| ·均匀分布归一化 | 第89页 |
| ·本章小结 | 第89-91页 |
| 第四章 害虫模式识别研究 | 第91-102页 |
| ·模式识别方法概述 | 第91-92页 |
| ·SVM分类器 | 第92-97页 |
| ·统计学理论的基本思想 | 第92-94页 |
| ·支持向量机基本方法 | 第94-97页 |
| ·LIBSVM软件介绍 | 第97页 |
| ·SVM分类器设计及参数优化 | 第97-99页 |
| ·试验结果与分析 | 第99-101页 |
| ·低层视觉特征和局部特征的识别试验 | 第99-101页 |
| ·不同特征组合的识别试验 | 第101页 |
| ·本章小结 | 第101-102页 |
| 第五章 基于物联网的害虫远程智能识别系统 | 第102-113页 |
| ·系统需求分析 | 第102页 |
| ·系统总体方案设计 | 第102-104页 |
| ·物联网 | 第103-104页 |
| ·3G技术 | 第104页 |
| ·GPS模块 | 第104页 |
| ·系统软件方案设计 | 第104-106页 |
| ·开发环境与开发工具 | 第104-105页 |
| ·软件方案设计 | 第105-106页 |
| ·识别系统方案的实现 | 第106-112页 |
| ·本章小结 | 第112-113页 |
| 第六章 结论与展望 | 第113-116页 |
| ·结论 | 第113-114页 |
| ·主要创新点 | 第114-115页 |
| ·展望 | 第115-116页 |
| 参考文献 | 第116-125页 |
| 致谢 | 第125-127页 |
| 作者简介 | 第127页 |
