| 摘要 | 第9-11页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 研究背景 | 第11-15页 |
| 1.2 研究意义 | 第15-17页 |
| 1.3 研究内容与结构安排 | 第17-21页 |
| 1.4 本章小结 | 第21-22页 |
| 第二章 农业图像识别与光谱检测中的机器学习方法及应用 | 第22-39页 |
| 2.1 基于传统机器学习的农业图像识别 | 第22-26页 |
| 2.1.1 研究方法 | 第22-23页 |
| 2.1.2 相关应用 | 第23-26页 |
| 2.2 基于传统机器学习的农业光谱检测 | 第26-31页 |
| 2.2.1 研究方法 | 第26-28页 |
| 2.2.2 相关应用 | 第28-31页 |
| 2.3 基于深度学习的图像识别和光谱检测 | 第31-38页 |
| 2.3.1 深度学习的发展 | 第31-32页 |
| 2.3.2 卷积神经网络结构 | 第32-36页 |
| 2.3.3 相关研究及应用 | 第36-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章 基于融合高度与图像特征的优化SVM模型识别作物杂草 | 第39-71页 |
| 3.1 引言 | 第39-40页 |
| 3.2 玉米杂草样本及图像数据获取 | 第40-43页 |
| 3.2.1 玉米与杂草样本的采集 | 第40-41页 |
| 3.2.2 基于双目视觉的图像数据采集系统 | 第41-42页 |
| 3.2.3 图像采集系统的标定 | 第42-43页 |
| 3.3 图像特征的提取 | 第43-47页 |
| 3.3.1 单目图像预处理 | 第44-45页 |
| 3.3.2 形态与纹理特征参数的提取 | 第45-47页 |
| 3.4 基于双目图像的高度特征提取算法 | 第47-54页 |
| 3.4.1 双目图像灰度掩膜处理 | 第47-48页 |
| 3.4.2 双目图像快速校正 | 第48-50页 |
| 3.4.3 高度特征参数提取 | 第50-54页 |
| 3.5 高度特征与图像特征融合 | 第54-55页 |
| 3.6 基于优化SVM的作物杂草识别模型 | 第55-62页 |
| 3.6.1 SVM模型分类原理 | 第55-58页 |
| 3.6.2 基于SVM的作物杂草识别模型架构 | 第58-59页 |
| 3.6.3 K-CV-SVM优化模型 | 第59页 |
| 3.6.4 GA-SVM优化模型 | 第59-61页 |
| 3.6.5 PSO-SVM优化模型 | 第61-62页 |
| 3.7 作物与杂草交叠分割处理 | 第62页 |
| 3.8 试验结果与分析 | 第62-70页 |
| 3.8.1 形态特征优化选择结果分析 | 第63-64页 |
| 3.8.2 高度与图像特征信息融合 | 第64页 |
| 3.8.3 SVM识别模型结构参数优化 | 第64-66页 |
| 3.8.4 作物杂草识别模型测试结果分析 | 第66-69页 |
| 3.8.5 作物杂草识别系统 | 第69-70页 |
| 3.9 本章小结 | 第70-71页 |
| 第四章 基于多尺度卷积神经网络的作物杂草识别方法 | 第71-98页 |
| 4.1 引言 | 第71-73页 |
| 4.2 图像数据获取与试验设计 | 第73-75页 |
| 4.2.1 样本图像数据获取 | 第73-74页 |
| 4.2.2 试验设计 | 第74-75页 |
| 4.3 多尺度图像金字塔 | 第75-76页 |
| 4.4 多尺度卷积神经网络 | 第76-83页 |
| 4.4.1 多尺度分层特征 | 第76页 |
| 4.4.2 卷积神经网络架构 | 第76-77页 |
| 4.4.3 卷积神经网络优化 | 第77-81页 |
| 4.4.4 多尺度卷积神经网络提取特征 | 第81-83页 |
| 4.5 特征学习与像素目标识别 | 第83-84页 |
| 4.6 超像素分割 | 第84-86页 |
| 4.7 作物与杂草目标识别 | 第86-88页 |
| 4.7.1 识别策略 | 第86-87页 |
| 4.7.2 识别过程 | 第87-88页 |
| 4.8 实验结果与分析 | 第88-95页 |
| 4.8.1 多尺度卷积神经网络优化架构 | 第88-89页 |
| 4.8.2 像素目标识别结果分析 | 第89-91页 |
| 4.8.3 作物杂草目标识别结果分析 | 第91-93页 |
| 4.8.4 运算硬件对模型性能的影响 | 第93-94页 |
| 4.8.5 图像识别结果标记 | 第94-95页 |
| 4.9 本章小结 | 第95-98页 |
| 第五章 基于卷积神经网络的近红外光谱分析预测土壤含水率 | 第98-118页 |
| 5.1 引言 | 第98-99页 |
| 5.2 土壤样本及光谱数据获取 | 第99-100页 |
| 5.2.1 土壤样本制备 | 第99-100页 |
| 5.2.2 光谱数据获取 | 第100页 |
| 5.3 光谱数据处理 | 第100-102页 |
| 5.3.1 光谱数据前处理 | 第100-101页 |
| 5.3.2 光谱数据降维 | 第101-102页 |
| 5.3.3 二维光谱信息矩阵 | 第102页 |
| 5.4 卷积神经网络架构 | 第102-106页 |
| 5.4.1 卷积神经网络基础结构 | 第102-104页 |
| 5.4.2 卷积神经网络调整与优化 | 第104-106页 |
| 5.5 实验结果分析 | 第106-116页 |
| 5.5.1 基于卷积神经网络的光谱预测模型 | 第106-108页 |
| 5.5.2 传统光谱预测模型 | 第108页 |
| 5.5.3 模型预测结果误差分析 | 第108-112页 |
| 5.5.4 模型预测性能评价 | 第112-113页 |
| 5.5.5 建模样本量对模型预测性能的影响 | 第113-116页 |
| 5.6 本章小结 | 第116-118页 |
| 第六章 结论与展望 | 第118-124页 |
| 6.1 主要研究结论 | 第118-121页 |
| 6.2 主要创新点 | 第121-122页 |
| 6.3 研究展望 | 第122-124页 |
| 参考文献 | 第124-137页 |
| Abstract | 第137-140页 |
| 攻读博士期间取得的研究成果 | 第141-143页 |
| 致谢 | 第143页 |
