基于机器学习的水稻病害识别算法的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 机器学习与图像处理概述 | 第11-13页 |
| 1.2.1 机器学习简介 | 第11页 |
| 1.2.2 数字图像处理简介 | 第11-12页 |
| 1.2.3 机器学习在图像中的应用 | 第12-13页 |
| 1.3 机器学习在作物病害识别中的应用 | 第13-17页 |
| 1.3.1 国外研究现状 | 第13-15页 |
| 1.3.2 国内研究现状 | 第15-17页 |
| 1.3.3 存在的问题 | 第17页 |
| 1.4 本文主要研究内容 | 第17-19页 |
| 第二章 水稻病害图像与图像处理技术 | 第19-24页 |
| 2.1 水稻病害介绍及样本采集 | 第19-20页 |
| 2.1.1 水稻图像样本采集 | 第19-20页 |
| 2.1.2 水稻病害样本数据处理 | 第20页 |
| 2.2 图像处理技术与方法 | 第20-23页 |
| 2.2.1 图像平滑滤波 | 第20-22页 |
| 2.2.2 图像直方图 | 第22页 |
| 2.2.3 阈值化 | 第22-23页 |
| 2.3 本文总体技术路线图 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于图像特征提取的水稻稻曲病识别方法 | 第24-38页 |
| 3.1 图片预处理 | 第24-27页 |
| 3.1.1 预处理算法流程 | 第24页 |
| 3.1.2 图像预处理算法 | 第24-27页 |
| 3.2 图像特征提取方法和分类器概述 | 第27-33页 |
| 3.2.1 图像特征提取方法 | 第27-30页 |
| 3.2.2 分类器概述 | 第30-33页 |
| 3.3 模型选择与实验结果分析 | 第33-37页 |
| 3.3.1 模型选择 | 第33-35页 |
| 3.3.2 实验结果分析 | 第35-37页 |
| 3.4 实验算法流程图和本章小结 | 第37-38页 |
| 第四章 基于卷积神经网络的水稻稻曲病识别方法 | 第38-54页 |
| 4.1 卷积神经网络介绍 | 第38-42页 |
| 4.1.1 神经网络概述 | 第38-39页 |
| 4.1.2 梯度下降算法简介 | 第39页 |
| 4.1.3 反向传播算法 | 第39-42页 |
| 4.2 卷积神经网络结构选择 | 第42-51页 |
| 4.2.1 卷积神经网络各层介绍 | 第42-48页 |
| 4.2.2 卷积神经网的结构选择 | 第48-51页 |
| 4.3 实验结果分析 | 第51-52页 |
| 4.4 水稻稻曲病识别方法分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 自然状态下水稻多种病害的识别方法 | 第54-64页 |
| 5.1 MyNet识别水稻多种病害 | 第54-55页 |
| 5.1.1 MyNet的修改 | 第54-55页 |
| 5.1.2 实验结果分析 | 第55页 |
| 5.2 ResNet结构识别水稻多种病害 | 第55-60页 |
| 5.2.1 ResNet介绍 | 第55-57页 |
| 5.2.2 ResNet中1~*1卷积核介绍 | 第57-58页 |
| 5.2.3 ResNet结构选择 | 第58-60页 |
| 5.3 实验结果分析 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 本文总结 | 第64-65页 |
| 6.2 主要工作和创新点 | 第65页 |
| 6.3 展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 附图 | 第71-73页 |
| 附表 | 第73-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间发表的论文 | 第75页 |
