大豆叶片视觉信息提取及氮素缺超诊断模型研究
| 摘要 | 第1-9页 |
| 英文摘要 | 第9-11页 |
| 1 前言 | 第11-20页 |
| ·研究的目的与意义 | 第11-12页 |
| ·机器视觉概述 | 第12页 |
| ·图像处理技术在农业中的研究现状 | 第12-17页 |
| ·图像处理在作物营养及病虫害检测中的应用 | 第12-14页 |
| ·图像处理在农业机器人中的应用 | 第14-16页 |
| ·图像处理在农产品外观检测中的应用 | 第16-17页 |
| ·研究的主要内容与方法 | 第17-18页 |
| ·可行性研究 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 2 样本图像的采集 | 第20-23页 |
| ·大豆叶片样本的培育 | 第20页 |
| ·大豆样本采集系统的设计 | 第20-22页 |
| ·图像采集部分的组成 | 第20-21页 |
| ·图像采集 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 3 图像预处理方法的研究 | 第23-33页 |
| ·彩色图像灰度化 | 第23-24页 |
| ·图像滤波 | 第24页 |
| ·图像分割 | 第24-31页 |
| ·图像分割概述 | 第25-26页 |
| ·阈值分割法 | 第26-30页 |
| ·形态学运算 | 第30-31页 |
| ·本章小结 | 第31-33页 |
| 4 样本特征提取的研究 | 第33-47页 |
| ·特征提取和选择 | 第33-34页 |
| ·颜色特征提取 | 第34-40页 |
| ·颜色系统的选择 | 第34-39页 |
| ·颜色特征值提取 | 第39-40页 |
| ·纹理特征提取 | 第40-44页 |
| ·纹理的概念 | 第41页 |
| ·纹理的统计分析法 | 第41-42页 |
| ·纹理特征提取 | 第42-44页 |
| ·形状特征提取 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 5 大豆叶片缺超素的识别 | 第47-55页 |
| ·神经网络系统简介 | 第47-48页 |
| ·BP 神经网络的实现 | 第48-50页 |
| ·特征值的降维处理 | 第48页 |
| ·神经网络的创建 | 第48-50页 |
| ·不同时期大豆叶片的识别 | 第50-54页 |
| ·V2 期叶片识别 | 第50页 |
| ·V3 期叶片识别 | 第50-51页 |
| ·R1 期叶片识别 | 第51-52页 |
| ·R2 期叶片识别 | 第52页 |
| ·R3 期叶片识别 | 第52-53页 |
| ·R4 期叶片识别 | 第53-54页 |
| ·结果分析 | 第54页 |
| ·本章小结 | 第54-55页 |
| 6 结论与展望 | 第55-57页 |
| ·结论 | 第55页 |
| ·研究特色 | 第55-56页 |
| ·展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62-76页 |
| 攻读学位期间发表的学术论文 | 第76页 |
