| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-8页 |
| 缩略词表 | 第8-9页 |
| 目录 | 第9-12页 |
| 第一章 绪论 | 第12-24页 |
| 1 研究目的及意义 | 第12-13页 |
| 2 国内外图像识别技术研究进展 | 第13-20页 |
| 2．1 图像识别技术在农业生产中的研究与应用 | 第14-16页 |
| 2．1．1 农产品品质检测 | 第14-15页 |
| 2．1．2 精准农业 | 第15-16页 |
| 2．1．3 农业机器人 | 第16页 |
| 2．2 图像识别技术在作物生长状态监测中的研究进展 | 第16-19页 |
| 2．2．1 作物形态生长参数测量 | 第16-18页 |
| 2．2．2 作物营养状态检测 | 第18-19页 |
| 2．2．3 作物形状描述与识别 | 第19页 |
| 2．3 图像识别技术在作物病虫草害识别方面的研究进展 | 第19-20页 |
| 3 人工神经网络研究进展 | 第20-24页 |
| 第二章 图像识别与作物病虫草害远程诊断系统 | 第24-29页 |
| 1 作物病虫草害远程论断系统设计 | 第24-26页 |
| 2 本文主要研究内容与技术路线 | 第26-29页 |
| 第三章 作物病虫草害图像的增强处理 | 第29-34页 |
| 1 材料与方法 | 第29页 |
| 2 结果与分析 | 第29-34页 |
| 第四章 作物病虫草害图像分割 | 第34-58页 |
| 1 图像分割方法分析 | 第34-39页 |
| 1．1 区域生成 | 第34-36页 |
| 1．1．1 灰度阈值分割法 | 第34-35页 |
| 1．1．2 灰度相似合并法 | 第35-36页 |
| 1．2 彩色图像的分割 | 第36-39页 |
| 1．2．1 直方图阈值法 | 第36-37页 |
| 1．2．2 特征空间聚类法 | 第37页 |
| 1．2．3 基于区域的分割方法 | 第37页 |
| 1．2．4 边缘检测 | 第37-38页 |
| 1．2．5 模糊技术 | 第38-39页 |
| 1．2．6 归一化RGB | 第39页 |
| 2 材料与方法 | 第39页 |
| 3 结果与分析 | 第39-55页 |
| 3．1 对作物病害图像病斑的分割 | 第39-49页 |
| 3．1．1 利用灰度图进行病斑分割 | 第39-42页 |
| 3．1．2 彩色图像的病斑分割 | 第42-49页 |
| 3．2 作物虫害图像的症状分割 | 第49-51页 |
| 3．3 杂草图像的分割 | 第51-55页 |
| 4 结论与讨论 | 第55-58页 |
| 第五章 病虫草害图像的特征提取 | 第58-89页 |
| 1 作物病虫草害图像颜色研究 | 第58-63页 |
| 1．1 图像颜色系统分析 | 第58-60页 |
| 1．1．1 CIE标准色度学系统 | 第58-59页 |
| 1．1．2 HIS颜色系统 | 第59-60页 |
| 1．2 结果与分析 | 第60-62页 |
| 1．2．1 玉米病叶病斑RGB及HIS颜色特征 | 第60页 |
| 1．2．2 玉米6种叶部病害病斑与无病部位RGB色度坐标值分析 | 第60-61页 |
| 1．2．3 玉米6种叶部病害病斑与无病部位HIS值分析 | 第61-62页 |
| 1．3 小结 | 第62-63页 |
| 2 图像处理用于作物叶片绿度(叶绿素含量)的定量化研究 | 第63-71页 |
| 2．1 材料与方法 | 第63页 |
| 2．2 结果与分析 | 第63-69页 |
| 2．2．1 RGB颜色系统特征值与棉花叶片绿度的相关分析 | 第63-65页 |
| 2．2．2 HIS颜色系统特征值与棉花叶片绿度的相关分析 | 第65-66页 |
| 2．2．3 叶片正背面颜色系统特征值与棉花叶片绿度的相关分析 | 第66-67页 |
| 2．2．4 模型检验 | 第67-69页 |
| 2．3 小结 | 第69-71页 |
| 2．3．1 影响图像分析与叶绿素含量预测精度因素分析 | 第69页 |
| 2．3．2 图像颜色特征值与叶片绿度关系分析 | 第69-70页 |
| 2．3．3 利用叶片绿度诊断作物早期病害的可行性分析 | 第70页 |
| 2．3．4 利用图像处理量化叶片绿度确定作物病虫为害级别方法的讨论 | 第70-71页 |
| 3 作物病害图像纹理特征研究 | 第71-77页 |
| 3．1 作物病害图像中纹理特征的构造与提取 | 第71-74页 |
| 3．1．1 传统的纹理分析法构造的特征量 | 第72-74页 |
| 3．1．2 本文中构造的纹理特征参数 | 第74页 |
| 3．2 结果与分析 | 第74-76页 |
| 3．2．1 玉米病叶病斑纹理特点 | 第74-76页 |
| 3．3 小结 | 第76-77页 |
| 4 病虫草害图像形态学特征研究 | 第77-84页 |
| 4．1 数学形态学原理 | 第77-79页 |
| 4．2 结果与分析 | 第79-84页 |
| 4．2．1 作物病害病斑圆形度的提取与应用 | 第79-80页 |
| 4．2．2 杂草叶片形态特征的提取与应用 | 第80-84页 |
| 5 基于图像识别牲的玉米66种叶部病害诊断 | 第84-85页 |
| 6 作物病虫草害图像识别诊断特征数据库的建立 | 第85-89页 |
| 6．1 数据库结构 | 第85-87页 |
| 6．2 数据库中现有数据 | 第87-88页 |
| 6．3 小结 | 第88-89页 |
| 第六章 基于图像识别的作物病虫草害诊断仿真试验 | 第89-99页 |
| 1 神经网络分类器的设计 | 第89-94页 |
| 1．1 本文的BP网络算法描述 | 第89-90页 |
| 1．2 BP网络结构及病虫草害论断问题与知识的神经网络表达 | 第90-94页 |
| 1．2．1 BP网络结构 | 第90页 |
| 1．2．2 病虫草害问题的BP网络表达 | 第90页 |
| 1．2．3 病虫草害诊断知识的BP网络表达 | 第90-94页 |
| 2 结果与分析 | 第94-99页 |
| 2．1 BP网络训练 | 第94-95页 |
| 2．2 仿真试验结果与分析 | 第95-97页 |
| 2．3 小结 | 第97-99页 |
| 第七章 作物病虫草害远程诊断的系统集成 | 第99-103页 |
| 1 作物病虫草害远程诊断系统的结构 | 第99-100页 |
| 2 系统采用的技术及运行环境 | 第100-101页 |
| 3 远程诊断功能的实现 | 第101-103页 |
| 第八章 结论与今后研究建议 | 第103-108页 |
| 1 结论与讨论 | 第103-106页 |
| 2 今后的研究建议 | 第106-108页 |
| 参考文献 | 第108-116页 |
| 附录1 未在正文中例出的部分作物病虫害图像处理结果图 | 第116-130页 |
| 附录2 作物病虫害图像识别诊断有关的术语 | 第130-132页 |
| 附录3 杂草图像识别的有关术语 | 第132-135页 |
| 致谢 | 第135-136页 |
| 作者简介 | 第136页 |
