| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 选题背景与研究意义 | 第15-16页 |
| 1.2 国内外的研究现状 | 第16-18页 |
| 1.2.1 病害识别的国内外研究现状 | 第16-17页 |
| 1.2.2 深度学习在病害识别中的应用 | 第17-18页 |
| 1.3 技术路线 | 第18-19页 |
| 1.4 本文主要研究内容和章节安排 | 第19-21页 |
| 第二章 农作物病害图像数据库的获取和预处理 | 第21-32页 |
| 2.1 农作物病害图像的采集 | 第21-22页 |
| 2.2 农作物背景去除 | 第22页 |
| 2.3 病斑区域的分割 | 第22-27页 |
| 2.3.1 最大类间方差法 | 第22-23页 |
| 2.3.2 超绿特征法 | 第23-24页 |
| 2.3.3 基于Lab颜色模型的分割 | 第24-25页 |
| 2.3.4 基于遗传算法的分割 | 第25-26页 |
| 2.3.5 本文分割方法 | 第26-27页 |
| 2.4 病斑图像形态学操作 | 第27-29页 |
| 2.5 实验结果及分析 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于多特征融合和D-S证据理论的农作物病害识别 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 颜色特征 | 第32-34页 |
| 3.2.1 颜色空间非均匀量化 | 第33页 |
| 3.2.2 颜色矩 | 第33-34页 |
| 3.3 纹理特征 | 第34-36页 |
| 3.3.1 灰度共生矩阵 | 第34页 |
| 3.3.2 颜色共生矩阵 | 第34-36页 |
| 3.4 基于D-S证据理论的特征融合 | 第36-40页 |
| 3.4.1 D-S证据理论 | 第36页 |
| 3.4.2 构造基本概率分配函数 | 第36-37页 |
| 3.4.3 改进D-S融合算法 | 第37-40页 |
| 3.5 实验结果及分析 | 第40-43页 |
| 3.5.1 试验参数的选取 | 第40-42页 |
| 3.5.2 试验结果及分析 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于深度学习的农作物病害识别 | 第44-58页 |
| 4.1 引言 | 第44页 |
| 4.2 基于连续卷积和稀疏MAXOUT卷积神经网络模型的病害识别 | 第44-50页 |
| 4.2.1 卷积神经网络概述 | 第44-47页 |
| 4.2.2 卷积神经网络的训练过程 | 第47-48页 |
| 4.2.3 连续卷积神经网络模型的构建 | 第48页 |
| 4.2.4 基于稀疏Maxout的激活函数层 | 第48-50页 |
| 4.3 实验过程及结果分析 | 第50-57页 |
| 4.3.1 Caffe简介 | 第50-52页 |
| 4.3.2 实验过程 | 第52-54页 |
| 4.3.3 不同网络模型的实验结果 | 第54-56页 |
| 4.3.4 不同方法在不同样本的实验结果 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58页 |
| 5.2 工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第64-66页 |