| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 基于光谱技术的水分含量检测研究 | 第12-13页 |
| 1.2.2 基于计算机视觉技术的水分含量检测研究 | 第13-15页 |
| 1.2.3 智能手机在农业研究领域中的应用 | 第15-17页 |
| 1.3 本文研究内容与技术路线 | 第17-18页 |
| 1.3.1 本文研究内容 | 第17-18页 |
| 1.3.2 本文研究技术路线 | 第18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 生菜样本培育与叶片图像采集 | 第19-24页 |
| 2.1 生菜样本培育 | 第19-21页 |
| 2.2 生菜叶片图像采集 | 第21-22页 |
| 2.3 含水率测定 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 生菜叶片图像预处理 | 第24-36页 |
| 3.1 图像灰度化 | 第24-26页 |
| 3.2 图像滤波 | 第26页 |
| 3.3 改进的粒子群优化Otsu阈值分割算法 | 第26-33页 |
| 3.3.1 算法原理 | 第27-29页 |
| 3.3.2 基于PSO+Otsu(S)分割算法实现 | 第29-31页 |
| 3.3.3 算法对比与分析 | 第31-33页 |
| 3.4 形态学处理 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 特征提取与特征变量筛选 | 第36-43页 |
| 4.1 颜色特征提取 | 第36-37页 |
| 4.2 形状特征提取 | 第37-38页 |
| 4.3 纹理特征提取 | 第38-41页 |
| 4.3.1 灰度直方图 | 第38-39页 |
| 4.3.2 灰度共生矩阵 | 第39-41页 |
| 4.4 特征变量筛选 | 第41-42页 |
| 4.4.1 Pearson相关系数法 | 第41页 |
| 4.4.2 应用相关系数法筛选特征变量 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 建模与分析 | 第43-52页 |
| 5.1 数学建模方法 | 第43-44页 |
| 5.1.1 多元线性回归 | 第43页 |
| 5.1.2 偏最小二乘回归 | 第43-44页 |
| 5.1.3 支持向量回归 | 第44页 |
| 5.2 模型评价标准 | 第44-45页 |
| 5.3 生菜叶片含水率预测模型的构建 | 第45-51页 |
| 5.3.1 样本划分训练集和测试集 | 第45-46页 |
| 5.3.2 基于MLR模型的生菜叶片含水率检测 | 第46-48页 |
| 5.3.3 基于PLSR模型的生菜叶片含水率检测 | 第48-49页 |
| 5.3.4 基于SVR模型的生菜叶片含水率检测 | 第49-51页 |
| 5.3.5 建模结果对比与分析 | 第51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 软件实现 | 第52-61页 |
| 6.1 开发环境 | 第52-54页 |
| 6.1.1 Android开发技术 | 第52-53页 |
| 6.1.2 计算机视觉库OpenCV | 第53-54页 |
| 6.2 功能分析 | 第54-55页 |
| 6.3 界面设计 | 第55-56页 |
| 6.4 软件算法实现 | 第56-60页 |
| 6.4.1 使用JNI接口调用本地C/C++代码 | 第56页 |
| 6.4.2 拍照 | 第56-58页 |
| 6.4.3 图像处理 | 第58-60页 |
| 6.4.4 结果输出 | 第60页 |
| 6.5 本章小结 | 第60-61页 |
| 第7章 总结与展望 | 第61-63页 |
| 7.1 论文工作总结 | 第61-62页 |
| 7.2 展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间发表的学术成果 | 第69页 |