基于机器视觉的小麦蚜虫自动检测技术研究
| 中文摘要 | 第1-12页 |
| 英文摘要 | 第12-14页 |
| 1 引言 | 第14-22页 |
| ·课题的提出 | 第14页 |
| ·机器视觉技术研究综述 | 第14-17页 |
| ·视觉理论框架 | 第14-16页 |
| ·机器视觉结构及机器视觉技术 | 第16-17页 |
| ·机器视觉的应用现状 | 第17-20页 |
| ·机器视觉在工业上的应用 | 第17-18页 |
| ·机器视觉在农业上的应用 | 第18-20页 |
| ·机器视觉在其它领域的应用研究 | 第20页 |
| ·课题的研究目标、内容及结构 | 第20-22页 |
| ·课题研究的目标 | 第20页 |
| ·课题的研究内容及结构安排 | 第20-22页 |
| 2 害虫检测的理论分析和试验设计 | 第22-52页 |
| ·模式分类基本技术综述 | 第22-28页 |
| ·模式分类系统 | 第22页 |
| ·模式分类的设计与实现 | 第22页 |
| ·模式分类的基本方法 | 第22-28页 |
| ·模式分类小结 | 第28页 |
| ·试验研究的理论基础 | 第28-44页 |
| ·颜色分析 | 第29-31页 |
| ·纹理分析 | 第31-34页 |
| ·图像分类的基础理论 | 第34-38页 |
| ·图像分割的基础理论 | 第38-44页 |
| ·试验设计及系统框架 | 第44-47页 |
| ·样本采集 | 第44-46页 |
| ·害虫检测系统框架 | 第46-47页 |
| ·害虫图像的预处理研究 | 第47-50页 |
| ·标量邻域平均滤波法 | 第47-48页 |
| ·中值滤波 | 第48-50页 |
| ·害虫图像预处理结果与分析 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 3 图像分类算法的研究 | 第52-70页 |
| ·图像特征提取及归一化 | 第52-54页 |
| ·害虫图像的纹理特征提取方法研究 | 第52-53页 |
| ·基于窗口的像素灰度特征的提取 | 第53-54页 |
| ·图像特征归一化 | 第54页 |
| ·SVM分类器 | 第54-67页 |
| ·LIBSVM软件介绍 | 第54-55页 |
| ·VC维 | 第55页 |
| ·结构风险最小原则 | 第55-56页 |
| ·SVM分类算法 | 第56-59页 |
| ·支持向量机的训练 | 第59-61页 |
| ·样本图像的SVM分类器设计 | 第61-63页 |
| ·试验结果与分析 | 第63-67页 |
| ·基于k-均值聚类的分类算法 | 第67-69页 |
| ·几种分类算法结果的比较 | 第69页 |
| ·本章小结 | 第69-70页 |
| 4 害虫图像分割算法的研究 | 第70-83页 |
| ·害虫图像的区域分割方法 | 第70-72页 |
| ·区域生长法 | 第70-72页 |
| ·害虫图像的SVM分割方法 | 第72-80页 |
| ·分割样本图 | 第72页 |
| ·输入空间 | 第72-73页 |
| ·图像分割试验分析 | 第73-80页 |
| ·区域与SVM相结合的分割方法 | 第80-82页 |
| ·本章小结 | 第82-83页 |
| 5 害虫自动计数方法研究 | 第83-88页 |
| ·图像分割后的形态学处理 | 第83-84页 |
| ·数学形态学算法 | 第83-84页 |
| ·形态学滤波 | 第84页 |
| ·害虫自动计数方法的研究 | 第84-87页 |
| ·害虫的标记 | 第85-87页 |
| ·本章小结 | 第87-88页 |
| 6 害虫自动检测系统的设计 | 第88-94页 |
| ·单元模块的选择 | 第88-90页 |
| ·硬件部分 | 第88-89页 |
| ·软件部分 | 第89-90页 |
| ·系统模型的设计 | 第90-93页 |
| ·害虫检测模型的建立 | 第90-91页 |
| ·模型的测试 | 第91-93页 |
| ·本章小结 | 第93-94页 |
| 7 结论与展望 | 第94-95页 |
| ·结论 | 第94页 |
| ·展望 | 第94-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-102页 |
| 攻读博士学位期间发表论文及参与的研究 | 第102页 |
