| 摘要 | 第1-10页 |
| ABSTRACT | 第10-13页 |
| 第一章 绪论 | 第13-34页 |
| ·引言 | 第13页 |
| ·机器视觉技术在农业害虫识别中的应用 | 第13-17页 |
| ·机器视觉技术的引出 | 第13-14页 |
| ·机器视觉主要技术和识别算法 | 第14-17页 |
| ·采集图像光谱 | 第14-15页 |
| ·数字图像处理技术 | 第15页 |
| ·模式识别技术 | 第15-17页 |
| ·基于机器视觉的害虫识别国内外研究现状 | 第17-25页 |
| ·直接用可见光的害虫识别研究现状 | 第17-19页 |
| ·国外研究现状 | 第17页 |
| ·国内研究现状 | 第17-19页 |
| ·近红外用于害虫识别的研究现状 | 第19-20页 |
| ·国外研究现状 | 第19-20页 |
| ·国内研究现状 | 第20页 |
| ·其它光谱用于害虫识别的研究现状 | 第20-22页 |
| ·国外研究现状 | 第20-21页 |
| ·国内研究现状 | 第21-22页 |
| ·支持向量机用于害虫识别的研究现状 | 第22-23页 |
| ·国外研究现状 | 第22页 |
| ·国内研究现状 | 第22-23页 |
| ·神经网络用于害虫识别的研究现状 | 第23-25页 |
| ·国外研究现状 | 第23-24页 |
| ·国内研究现状 | 第24-25页 |
| ·研究目的和意义 | 第25-26页 |
| ·研究目的 | 第25页 |
| ·研究意义 | 第25-26页 |
| ·研究内容和技术路线 | 第26-28页 |
| ·研究内容 | 第26-27页 |
| ·技术路线 | 第27-28页 |
| 参考文献 | 第28-34页 |
| 第二章 稻飞虱图像现场采集系统的设计 | 第34-45页 |
| ·图像采集系统总体设计 | 第34-35页 |
| ·诱集幕布装置设计 | 第35页 |
| ·采集小车设计 | 第35-40页 |
| ·小车硬件设计 | 第35-39页 |
| ·S3C2440芯片 | 第36页 |
| ·L298电机驱动芯片 | 第36页 |
| ·摄像头仰角控制模块 | 第36-37页 |
| ·电源模块 | 第37页 |
| ·SunTime200A工业相机 | 第37-38页 |
| ·SunTime T100工业镜头 | 第38-39页 |
| ·小车软件设计 | 第39-40页 |
| ·远程控制软件设计 | 第40-41页 |
| ·系统特点 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 参考文献 | 第43-45页 |
| 第三章 基于不变矩的稻飞虱图像特征值提取 | 第45-75页 |
| ·稻飞虱图像预处理 | 第45-59页 |
| ·图像灰度化 | 第46-48页 |
| ·RGB颜色系统 | 第46-47页 |
| ·RGB转换成灰度 | 第47-48页 |
| ·图像分割 | 第48-51页 |
| ·数学形态学去噪 | 第51-53页 |
| ·数学形态学基本运算 | 第51-52页 |
| ·二值图像腐蚀运算 | 第51页 |
| ·二值图像膨胀运算 | 第51-52页 |
| ·二值图像开运算 | 第52页 |
| ·二值图像闭运算 | 第52页 |
| ·稻飞虱二值图像去噪 | 第52-53页 |
| ·平滑滤波 | 第53-56页 |
| ·高斯滤波 | 第53-55页 |
| ·中值滤波 | 第55-56页 |
| ·多个稻飞虱图像分割 | 第56-59页 |
| ·分水岭算法 | 第56-57页 |
| ·改进分水岭算法分割稻飞虱图像 | 第57-59页 |
| ·稻飞虱图像特征值提取 | 第59-71页 |
| ·特征提取方法选择 | 第59-60页 |
| ·基于Hu矩的特征值提取 | 第60-64页 |
| ·Hu矩概念 | 第60-63页 |
| ·Hu矩提取稻飞虱特征值 | 第63-64页 |
| ·基于改进Hu矩的特征值提取 | 第64-66页 |
| ·改进Hu矩概念 | 第64-65页 |
| ·改进Hu矩提取稻飞虱特征值 | 第65-66页 |
| ·基于Zernike矩的特征值提取 | 第66-69页 |
| ·Zernike矩概念 | 第66-67页 |
| ·Zernike矩提取稻飞虱特征值 | 第67-69页 |
| ·基于Krawtchouk矩的特征值提取 | 第69-71页 |
| ·Krawtchouk矩概念 | 第69-70页 |
| ·Krawtchouk矩提取稻飞虱特征值 | 第70-71页 |
| ·本章小结 | 第71页 |
| 参考文献 | 第71-75页 |
| 第四章 最佳不变矩的选择和纹理特征的提取 | 第75-92页 |
| ·BP神经网络选择最佳不变矩 | 第75-82页 |
| ·神经网络基本概念 | 第75页 |
| ·BP神经网络基本概念 | 第75-76页 |
| ·BP神经网络测试4种不变矩稻飞虱分类识别 | 第76-82页 |
| ·确定识别稻飞虱的BP神经网络结构 | 第76-78页 |
| ·BP神经网络参数的选择 | 第78页 |
| ·BP神经网络对Hu矩特征值训练测试 | 第78-79页 |
| ·BP神经网络对改进Hu矩特征值训练测试 | 第79-80页 |
| ·BP神经网络对Zernike矩特征值训练测试 | 第80-81页 |
| ·BP神经网络对Krawtchouk矩特征值训练测试 | 第81页 |
| ·四种不变矩特征值测试结果对比 | 第81-82页 |
| ·三种稻飞虱纹理特征提取 | 第82-89页 |
| ·改进灰度共生矩阵 | 第82-83页 |
| ·灰度共生矩阵生成特征值 | 第83-84页 |
| ·基于灰度共生矩阵的稻飞虱纹理特征值提取 | 第84-88页 |
| ·提取灰度图像 | 第85-86页 |
| ·压缩灰度级 | 第86-87页 |
| ·选择步矩 | 第87页 |
| ·选择方向 | 第87页 |
| ·运算结果 | 第87-88页 |
| ·BP神经网络对纹理特征值训练测试 | 第88-89页 |
| ·本章小结 | 第89页 |
| 参考文献 | 第89-92页 |
| 第五章 遗传算法和粒子群算法优化神经网络识别稻飞虱 | 第92-110页 |
| ·遗传算法优化BP神经网络识别稻飞虱 | 第92-98页 |
| ·遗传算法基本概念 | 第92-93页 |
| ·遗传算法基本原理 | 第93-94页 |
| ·遗传算法优化BP神经网络 | 第94-95页 |
| ·遗传神经网络识别稻飞虱 | 第95-98页 |
| ·粒子群算法优化BP神经网络识别稻飞虱 | 第98-103页 |
| ·粒子群算法的基本概念 | 第98-99页 |
| ·用参数选择法改进粒子群算法 | 第99-100页 |
| ·IPSO优化BP神经网络 | 第100-101页 |
| ·IPSO优化BP神经网络识别稻飞虱 | 第101-103页 |
| ·遗传算法改进粒子群算法优化BP神经网络识别稻飞虱 | 第103-107页 |
| ·GAIPSO优化BP神经网络 | 第104页 |
| ·GAIPSO优化BP神经网络识别稻飞虱 | 第104-107页 |
| ·本章小结 | 第107页 |
| 参考文献 | 第107-110页 |
| 第六章 稻飞虱识别软件的设计与现场实验 | 第110-124页 |
| ·稻飞虱识别软件的总体结构 | 第110-111页 |
| ·稻飞虱识别软件的设计 | 第111-116页 |
| ·打开图像 | 第111-112页 |
| ·图像灰度化 | 第112页 |
| ·高斯滤波和二值化 | 第112-113页 |
| ·形态学去噪和平滑滤波 | 第113页 |
| ·图像分割 | 第113-114页 |
| ·提取特征值 | 第114-115页 |
| ·数据导出 | 第115页 |
| ·识别结果 | 第115-116页 |
| ·“About”信息显示 | 第116页 |
| ·现场实验 | 第116-123页 |
| ·实验目的 | 第116-117页 |
| ·实验准备 | 第117-118页 |
| ·实验过程 | 第118-123页 |
| ·实验结果 | 第123页 |
| ·本章小结 | 第123-124页 |
| 第七章 结论与建议 | 第124-127页 |
| ·结论 | 第124-125页 |
| ·创新点 | 第125页 |
| ·后续工作 | 第125-127页 |
| 附录 | 第127-143页 |
| 致谢 | 第143-144页 |
| 攻读博士学位期间发表的论文 | 第144页 |
