| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 研究内容与技术路线 | 第13-15页 |
| 1.3.1 研究内容 | 第13-15页 |
| 1.3.2 技术路线 | 第15页 |
| 1.4 论文组织 | 第15-17页 |
| 第2章 苎麻缺素诊断及预测技术集成研究 | 第17-32页 |
| 2.1 苎麻叶片图像预处理技术 | 第17-21页 |
| 2.2 苎麻缺营养素诊断技术 | 第21-28页 |
| 2.2.1 颜色特征提取技术 | 第21-23页 |
| 2.2.2 颜色模型转换技术 | 第23-24页 |
| 2.2.3 灰度区间诊断技术 | 第24-25页 |
| 2.2.4 纹理特征值提取技术 | 第25-28页 |
| 2.3 苎麻缺营养素预测技术 | 第28-31页 |
| 2.3.1 BP神经网络模型 | 第29-30页 |
| 2.3.2 支持向量机模型 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 苎麻叶片图像信息缺营养素诊断 | 第32-51页 |
| 3.1 数据来源 | 第32-33页 |
| 3.2 苎麻叶片图像预处理 | 第33-35页 |
| 3.3 苎麻叶片RGB颜色特征值提取 | 第35-37页 |
| 3.4 基于RGB特征值缺营养元素诊断 | 第37-40页 |
| 3.4.1 RGB颜色特征值与氮肥含量分析诊断 | 第37-38页 |
| 3.4.2 RGB特征值与磷肥含量分析诊断 | 第38-39页 |
| 3.4.3 RGB特征值与钾肥含量分析诊断 | 第39-40页 |
| 3.5 基于灰度区间缺营养元素诊断 | 第40-42页 |
| 3.5.1 苎麻缺素叶片RGB取值范围及灰度区间设置 | 第40-41页 |
| 3.5.2 缺营养素识别及结果分析 | 第41-42页 |
| 3.5.3 灰度区间法单独诊断的缺陷 | 第42页 |
| 3.6 基于纹理特征诊断 | 第42-48页 |
| 3.6.1 基于小波变换纹理特征缺营养素诊断 | 第43-44页 |
| 3.6.2 基于灰度共生矩阵纹理特征缺营养素诊断 | 第44-48页 |
| 3.6.3 两种诊断方法比较 | 第48页 |
| 3.7 基于混合的灰度区间和纹理共生矩阵诊断法 | 第48-50页 |
| 3.8 本章小结 | 第50-51页 |
| 第4章 苎麻叶片图像信息缺营养素预测模型 | 第51-57页 |
| 4.1 基于BP神经网络预测模型 | 第51-54页 |
| 4.1.1 缺氮预测模型 | 第51-53页 |
| 4.1.2 缺磷预测模型 | 第53-54页 |
| 4.2 基于支持向量机预测模型 | 第54-56页 |
| 4.2.1 缺氮预测模型 | 第55页 |
| 4.2.2 缺磷预测模型 | 第55-56页 |
| 4.3 BP神经网络预测模型与支持向量机预测模型比较 | 第56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 结论与展望 | 第57-60页 |
| 5.1 主要研究结论 | 第57-58页 |
| 5.2 主要创新点 | 第58页 |
| 5.3 展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-67页 |
| 作者简历 | 第67页 |