基于机器视觉与黄板诱导的有翅昆虫统计识别系统的研究与实现
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景与研究意义 | 第9-10页 |
| 1.2 机器视觉在农业领域的国内外研究现状 | 第10-12页 |
| 1.2.1 图像分割技术的研究现状 | 第10-11页 |
| 1.2.2 特征提取技术的研究现状 | 第11页 |
| 1.2.3 病虫害识别技术的研究现状 | 第11-12页 |
| 1.2.4 机器视觉在农业领域的研究趋势 | 第12页 |
| 1.3 论文的研究内容 | 第12-14页 |
| 1.3.1 有翅昆虫的检测与计数 | 第13页 |
| 1.3.2 有翅昆虫的分类识别 | 第13页 |
| 1.3.3 有翅昆虫统计识别系统的设计与实现 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 2 有翅昆虫统计识别系统的总体设计 | 第15-21页 |
| 2.1 农业气象服务平台 | 第15-16页 |
| 2.2 有翅昆虫统计识别系统概述 | 第16-17页 |
| 2.2.1 功能需求分析 | 第16-17页 |
| 2.2.2 设计要求 | 第17页 |
| 2.3 有翅昆虫统计识别系统的设计 | 第17-20页 |
| 2.3.1 硬件系统设计 | 第17-19页 |
| 2.3.2 软件系统设计 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 有翅昆虫的检测与计数 | 第21-33页 |
| 3.1 连通区域标记计数 | 第21-25页 |
| 3.1.1 图像分割 | 第21-22页 |
| 3.1.2 形态学处理 | 第22-23页 |
| 3.1.3 连通区域标记 | 第23-24页 |
| 3.1.4 计数结果 | 第24-25页 |
| 3.2 基于YOLO的检测与计数 | 第25-31页 |
| 3.2.1 卷积神经网络概述 | 第25-27页 |
| 3.2.2 YOLO卷积神经网络概述 | 第27-29页 |
| 3.2.3 训练与检测结果 | 第29-31页 |
| 3.3 计数结果对比与分析 | 第31页 |
| 3.4 本章小结 | 第31-33页 |
| 4 有翅昆虫的分类识别 | 第33-59页 |
| 4.1 特征提取 | 第33-42页 |
| 4.1.1 形状特征提取 | 第34-37页 |
| 4.1.2 纹理特征提取 | 第37-39页 |
| 4.1.3 颜色特征提取 | 第39-40页 |
| 4.1.4 HOG特征提取 | 第40-42页 |
| 4.2 基于支持向量机的分类识别 | 第42-49页 |
| 4.2.1 支持向量机概述 | 第42-44页 |
| 4.2.2 LIBSVM工具箱 | 第44-45页 |
| 4.2.3 SVM分类器设计 | 第45-48页 |
| 4.2.4 训练及分类结果 | 第48-49页 |
| 4.3 基于BP神经网络的分类识别 | 第49-56页 |
| 4.3.1 BP神经网络概述 | 第49-52页 |
| 4.3.2 BP神经网络分类器设计 | 第52-54页 |
| 4.3.3 训练及分类结果 | 第54-56页 |
| 4.4 基于YOLO的分类识别 | 第56-57页 |
| 4.5 分类结果对比 | 第57页 |
| 4.6 本章小结 | 第57-59页 |
| 5 有翅昆虫统计识别系统的实现与测试 | 第59-67页 |
| 5.1 系统开发环境的搭建 | 第59-61页 |
| 5.1.1 操作系统安装 | 第59-60页 |
| 5.1.2 OpenCV库安装 | 第60-61页 |
| 5.1.3 Darknet安装 | 第61页 |
| 5.2 系统实现 | 第61-62页 |
| 5.2.1 系统的功能描述 | 第61-62页 |
| 5.2.2 软件的总体流程 | 第62页 |
| 5.3 系统测试 | 第62-64页 |
| 5.4 本章小结 | 第64-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 论文研究工作总结 | 第67-68页 |
| 6.2 后续研究工作的展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 附录 | 第77页 |
| A. 作者在攻读硕士学位期间发表的论文 | 第77页 |
| B. 作者在攻读硕士学位期间参与的科研项目 | 第77页 |
