| 致谢 | 第11-13页 |
| 摘要 | 第13-15页 |
| Abstract | 第15-16页 |
| 第一章 绪论 | 第17-24页 |
| 1.1 研究背景和意义 | 第17-18页 |
| 1.2 统计机器学习理论 | 第18-20页 |
| 1.3 光谱技术应用于虫害检测的可行性 | 第20-21页 |
| 1.4 计算机视觉技术应用于虫害检测的可行性 | 第21-22页 |
| 1.5 论文内容安排 | 第22-24页 |
| 第二章 虫害检测应用中的光谱和图像特征分析方法 | 第24-33页 |
| 2.1 光谱数据的特征分析 | 第24-27页 |
| 2.1.1 基于特征波段选择的分析方法 | 第24-26页 |
| 2.1.2 基于特征波段变换的分析方法 | 第26-27页 |
| 2.2 图像数据的特征分析 | 第27-32页 |
| 2.2.1 基于全局表观的视觉特征表达方法 | 第27-28页 |
| 2.2.2 基于局部关键区域的视觉特征表达方法 | 第28-31页 |
| 2.2.3 基于数据驱动的视觉特征表达方法 | 第31-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 基于光谱技术和稀疏编码的幼虫虫害侵染检测 | 第33-57页 |
| 3.1 引言 | 第33页 |
| 3.2 水稻样本及光谱数据获取 | 第33-34页 |
| 3.2.1 实验水稻样本 | 第33-34页 |
| 3.2.2 光谱数据获取 | 第34页 |
| 3.3 光谱域数据的特征表达 | 第34-45页 |
| 3.3.1 栈化稀疏自编码算法 | 第34-37页 |
| 3.3.2 自适应损失敏感算法 | 第37-40页 |
| 3.3.3 与空间域信息的融合 | 第40-41页 |
| 3.3.4 特征表达分布的量化 | 第41页 |
| 3.3.5 传统的特征表达方法 | 第41-45页 |
| 3.4 模型性能的评估方案 | 第45-46页 |
| 3.5 实验结果与分析 | 第46-55页 |
| 3.5.1 栈化稀疏自编码器架构分析 | 第46-47页 |
| 3.5.2 栈化稀疏自编码器特征分析 | 第47-48页 |
| 3.5.3 基于混淆矩阵的检测结果分析 | 第48-49页 |
| 3.5.4 结合自适应损失敏感算法的检测结果分析 | 第49-52页 |
| 3.5.5 结合空间域信息的检测结果分析 | 第52-53页 |
| 3.5.6 与传统方法的检测性能对比 | 第53-55页 |
| 3.6 本章小结 | 第55-57页 |
| 第四章 基于计算机视觉技术的害虫成虫目标定位与识别 | 第57-88页 |
| 4.1 引言 | 第57页 |
| 4.2 害虫成虫图像数据集 | 第57-58页 |
| 4.3 基于显著性区域分析的害虫目标定位 | 第58-63页 |
| 4.3.1 颜色空间衰减和超像素区域划分 | 第59-61页 |
| 4.3.2 超像素区域显著性量化 | 第61-62页 |
| 4.3.3 迭代最小能量分割算法 | 第62-63页 |
| 4.4 基于卷积神经网络的害虫目标识别 | 第63-70页 |
| 4.4.1 卷积神经网络架构 | 第63-67页 |
| 4.4.2 卷积神经网络优化 | 第67-70页 |
| 4.5 基于传统视觉框架的害虫目标识别 | 第70-72页 |
| 4.5.1 人工视觉特征提取 | 第70-71页 |
| 4.5.2 多特征的多核融合 | 第71-72页 |
| 4.6 模型性能的评估方案 | 第72-73页 |
| 4.7 实验结果与分析 | 第73-85页 |
| 4.7.1 害虫目标定位结果分析 | 第73-77页 |
| 4.7.2 卷积神经网络优化分析 | 第77-83页 |
| 4.7.3 与传统识别方法的比较 | 第83-85页 |
| 4.8 本章小结 | 第85-88页 |
| 第五章 基于特征迁移的害虫成虫目标识别 | 第88-115页 |
| 5.1 引言 | 第88页 |
| 5.2 害虫图像数据集 | 第88-91页 |
| 5.2.1 图像数据获取 | 第88-90页 |
| 5.2.2 数据预处理 | 第90-91页 |
| 5.3 卷积神经网络架构 | 第91-96页 |
| 5.3.1 AlexNet | 第91页 |
| 5.3.2 GoogLeNet | 第91-93页 |
| 5.3.3 ResNet | 第93-96页 |
| 5.4 特征迁移 | 第96-98页 |
| 5.4.1 随机初始化方式下的CNN学习 | 第96页 |
| 5.4.2 基于大规模数据集的特征迁移 | 第96-97页 |
| 5.4.3 基于相似数据集的特征迁移 | 第97-98页 |
| 5.4.4 不同层次特征的可迁移特性 | 第98页 |
| 5.5 数据特性 | 第98-100页 |
| 5.5.1 有偏先验和无偏先验 | 第99页 |
| 5.5.2 数据集规模 | 第99-100页 |
| 5.6 可视化分析工具 | 第100-102页 |
| 5.6.1 基于逆卷积过程的图像重建 | 第100-101页 |
| 5.6.2 基于t-分布邻域嵌入的数据可视化 | 第101-102页 |
| 5.7 实验结果与分析 | 第102-113页 |
| 5.7.1 基于ImageNet数据集进行特征迁移的效果分析 | 第102-104页 |
| 5.7.2 基于Pest-O数据集进行特征迁移的效果分析 | 第104-105页 |
| 5.7.3 卷积神经网络不同层次特征的可迁移性分析 | 第105-106页 |
| 5.7.4 数据集特性对于卷积神经网络识别性能的影响 | 第106-108页 |
| 5.7.5 随机初始化和特征迁移条件下的可视化分析 | 第108-113页 |
| 5.8 本章小结 | 第113-115页 |
| 第六章 结论与展望 | 第115-120页 |
| 6.1 主要研究结论 | 第115-118页 |
| 6.2 主要创新点 | 第118-119页 |
| 6.3 进一步研究展望 | 第119-120页 |
| 参考文献 | 第120-130页 |
| 作者简介 | 第130-131页 |
