| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 选题背景和研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 农业大棚分类提取技术研究现状 | 第10-11页 |
| 1.2.2 基于深度学习框架的目标检测技术现状 | 第11-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文的结构安排 | 第16-17页 |
| 第2章 研究数据准备和技术路线制定 | 第17-23页 |
| 2.1 研究区概况 | 第17-18页 |
| 2.2 高分影像 | 第18-19页 |
| 2.3 农业大棚影像分析 | 第19页 |
| 2.4 技术路线 | 第19-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 多特征融合的农业大棚面向对象提取技术研究 | 第23-29页 |
| 3.1 纹理特征提取 | 第23-25页 |
| 3.1.1 最适观察窗口 | 第23-24页 |
| 3.1.2 计算纹理特征值 | 第24-25页 |
| 3.2 阈值分割和边缘检测算法 | 第25页 |
| 3.3 数学形态学和形状特征选取 | 第25-27页 |
| 3.3.1 结构元素的选取 | 第25-26页 |
| 3.3.2 数学形态学的基本运算 | 第26页 |
| 3.3.3 形状特征识别 | 第26-27页 |
| 3.4 混淆矩阵精度评价 | 第27-28页 |
| 3.5 本章小结 | 第28-29页 |
| 第4章 基于深度学习的农业大棚目标检测技术研究 | 第29-45页 |
| 4.1 目前主要流行的深度学习框架 | 第29-35页 |
| 4.1.1 Caffe框架 | 第29-30页 |
| 4.1.2 TensorFlow框架 | 第30-35页 |
| 4.2 目标检测算法 | 第35-41页 |
| 4.2.1 Twotage方法 | 第35-38页 |
| 4.2.2 Onetage方法 | 第38-41页 |
| 4.3 数据集的制作 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 实验结果分析与精度评价 | 第45-59页 |
| 5.1 基于面向对象的多特征融合方法提取农业大棚实验 | 第45-50页 |
| 5.1.1 确定最适观察窗口 | 第45-46页 |
| 5.1.2 结合纹理和光谱信息的影像分割实验结果 | 第46-47页 |
| 5.1.3 基于阈值分割和边缘检测算法分类的实验结果 | 第47页 |
| 5.1.4 基于形态学和形状特征的农业大棚提取结果 | 第47-48页 |
| 5.1.5 精度评价 | 第48-50页 |
| 5.2 基于深度学习方法识别农业大棚实验 | 第50-57页 |
| 5.2.1 实验环境搭建测试结果与数据集准备 | 第50-53页 |
| 5.2.2 基础网络模型中的参数设置及识别实验结果 | 第53-55页 |
| 5.2.3 精度评价 | 第55-57页 |
| 5.3 本章小结 | 第57-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间所取得的相关科研成果 | 第65-67页 |
| 致谢 | 第67-68页 |
