基于神经网络和支持向量机的苎麻病害识别系统的研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 引言 | 第10-11页 |
| 1.2 研究意义及目的 | 第11-12页 |
| 1.3 国内外相关研究 | 第12-14页 |
| 1.4 研究内容和技术路线 | 第14-15页 |
| 1.4.1 本文研究内容 | 第14页 |
| 1.4.2 对以往研究做出的改进 | 第14-15页 |
| 1.4.3 技术路线 | 第15页 |
| 1.5 本文结构 | 第15-17页 |
| 第2章 材料及方法 | 第17-20页 |
| 2.1 数据采集地点概况 | 第17页 |
| 2.2 图像采集设备 | 第17-18页 |
| 2.3 图像采集方式 | 第18-19页 |
| 2.4 数据集信息 | 第19-20页 |
| 第3章 图像预处理及特征提取 | 第20-39页 |
| 3.1 图像预处理 | 第20-22页 |
| 3.1.1 直方图均衡 | 第20-21页 |
| 3.1.2 中值滤波 | 第21-22页 |
| 3.2 分割特征区域 | 第22-30页 |
| 3.2.1 阈值分割 | 第22-23页 |
| 3.2.2 色彩模型 | 第23-25页 |
| 3.2.3 各色彩通道图像及直方图 | 第25-27页 |
| 3.2.4 分割后效果 | 第27-28页 |
| 3.2.5 文中所用分割方法 | 第28-30页 |
| 3.2.6 与阈值分割方法对比 | 第30页 |
| 3.3 特征提取 | 第30-34页 |
| 3.3.1 颜色特征 | 第30页 |
| 3.3.2 形状特征 | 第30-32页 |
| 3.3.3 像素灰度值 | 第32页 |
| 3.3.4 灰度共生矩阵 | 第32-34页 |
| 3.4 不同情况拍摄的图像对特征数据的影响 | 第34-39页 |
| 第4章 特征分类及识别 | 第39-64页 |
| 4.1 机器学习简介 | 第39-40页 |
| 4.2 文中所用机器学习方法 | 第40-50页 |
| 4.2.1 神经网络 | 第40-43页 |
| 4.2.2 支持向量机 | 第43-47页 |
| 4.2.3 卷积神经网络 | 第47-48页 |
| 4.2.4 三种方法的优缺点 | 第48-50页 |
| 4.3 数据预处理 | 第50-53页 |
| 4.3.1 标记数据 | 第50页 |
| 4.3.2 数据规范化 | 第50-53页 |
| 4.3.3 格式化为Weka输入文件 | 第53页 |
| 4.4 模型建立与对比分析 | 第53-57页 |
| 4.4.1 Weka中各方法参数说明 | 第53-54页 |
| 4.4.2 参数寻优方法 | 第54-55页 |
| 4.4.3 模型验证方法 | 第55页 |
| 4.4.4 颜色特征模型分析 | 第55-56页 |
| 4.4.5 形状特征模型分析 | 第56页 |
| 4.4.6 纹理特征模型分析 | 第56-57页 |
| 4.4.7 各特征对判别结果的影响 | 第57页 |
| 4.5 卷积神经网络的特征挖掘 | 第57-61页 |
| 4.5.1 通过像素灰度值训练模型 | 第57-58页 |
| 4.5.2 验证卷积神经网络挖掘能力 | 第58-59页 |
| 4.5.3 与支持向量机模型融合 | 第59-61页 |
| 4.6 系统设计中采用的识别方法 | 第61-64页 |
| 4.6.1 多模型组合方式介绍 | 第61-62页 |
| 4.6.2 组合判别 | 第62-64页 |
| 第5章 苎麻病害识别系统设计 | 第64-72页 |
| 5.1 系统设计的期望 | 第64页 |
| 5.2 系统实现的软硬件条件 | 第64-66页 |
| 5.2.1 开发运行环境 | 第64-65页 |
| 5.2.2 Weka介绍 | 第65-66页 |
| 5.2.3 ImageJ介绍 | 第66页 |
| 5.3 系统结构 | 第66-68页 |
| 5.4 目前已实现功能及运行效果图 | 第68-72页 |
| 第6章 总结和展望 | 第72-75页 |
| 6.1 工作总结 | 第72页 |
| 6.2 下一步工作 | 第72-73页 |
| 6.3 展望 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80-81页 |
| 作者简介 | 第81页 |
