| 摘要 | 第1-14页 |
| ABSTRACT | 第14-16页 |
| 第一章 绪论 | 第16-43页 |
| ·机器视觉在农业中的应用 | 第16页 |
| ·课题研究的背景及意义 | 第16-18页 |
| ·我国喷药技术的现状及存在的问题 | 第16-17页 |
| ·喷药机械落后 | 第16-17页 |
| ·施药的方法落后 | 第17页 |
| ·落后的施药机械和施药方法所产生的影响 | 第17页 |
| ·除草剂精确施药的研究背景及意义 | 第17-18页 |
| ·除草剂精确施药技术简介 | 第18-20页 |
| ·杂草识别的方法 | 第20-27页 |
| ·人工识别 | 第20-22页 |
| ·遥感识别 | 第22页 |
| ·计算机视觉技术识别方法 | 第22-26页 |
| ·利用颜色特征识别 | 第22-23页 |
| ·利用形状特征识别 | 第23-24页 |
| ·利用纹理特征识别 | 第24页 |
| ·利用光谱特征识别 | 第24-25页 |
| ·利用位置特征识别 | 第25-26页 |
| ·地面传感器识别方法 | 第26-27页 |
| ·除草剂精确施药技术的国内外研究状况 | 第27-32页 |
| ·国外的研究状况 | 第27-30页 |
| ·国内的研究状况 | 第30-32页 |
| ·除草剂精确施药技术实施的难点和须解决的核心困难 | 第32-33页 |
| ·杂草识别 | 第32页 |
| ·杂草本身因素 | 第32页 |
| ·自然环境因素 | 第32页 |
| ·精确施药系统的运行速度 | 第32-33页 |
| ·流量控制 | 第33页 |
| ·研究内容和技术路线 | 第33-36页 |
| ·研究内容 | 第33-34页 |
| ·绿色植物与土壤背景的分割 | 第33页 |
| ·杂草与麦苗的分形特征 | 第33页 |
| ·杂草与麦苗的纹理特征 | 第33-34页 |
| ·杂草与麦苗的位置特征 | 第34页 |
| ·杂草的分类与识别 | 第34页 |
| ·杂草对准喷药系统 | 第34页 |
| ·技术路线 | 第34-36页 |
| 参考文献 | 第36-43页 |
| 第二章 绿色植物与土壤背景的分割 | 第43-71页 |
| ·背景分割的有关概念和方法 | 第43-44页 |
| ·基于颜色特征的绿色植物与土壤背景的分割 | 第44-55页 |
| ·图像分割的几种常用的颜色模型 | 第44-48页 |
| ·RGB模型 | 第44-45页 |
| ·归一化的rgb | 第45-46页 |
| ·HSL颜色模型 | 第46-48页 |
| ·I_1I_2I_3 | 第48页 |
| ·试验方法和试验材料 | 第48-49页 |
| ·试验对象的选取 | 第48页 |
| ·图像采集 | 第48页 |
| ·光照强度设计 | 第48-49页 |
| ·分割结果与分析 | 第49-55页 |
| ·分割耗时与分割质量 | 第49-53页 |
| ·结果分析 | 第53-55页 |
| ·基于自动取阈值的背景分割 | 第55-68页 |
| ·图像的二值化 | 第56页 |
| ·最大类间方差自动取阈值法 | 第56-59页 |
| ·最小错误自动取阈值法 | 第59-62页 |
| ·基于最大类间方差和最小错误相结合的阈值法 | 第62-64页 |
| ·图像采集与处理 | 第64页 |
| ·分割结果与分析 | 第64-68页 |
| ·最大类间方差自动取阈值法的评价 | 第65-66页 |
| ·最小错误率自动取阈值法的评价 | 第66-67页 |
| ·最大类间方差和最小错误率相结合的自动取阈值法的评价 | 第67-68页 |
| ·结论 | 第68页 |
| ·本章小结 | 第68-70页 |
| 参考文献 | 第70-71页 |
| 第三章 杂草识别特征的提取 | 第71-103页 |
| ·分形特征 | 第71-84页 |
| ·杂草叶的分形特征 | 第72-78页 |
| ·分形维数的计算原理和方法 | 第72-74页 |
| ·图像的处理 | 第74-76页 |
| ·程序框图 | 第76页 |
| ·结果分析 | 第76-78页 |
| ·整株麦苗和杂草的分形特征 | 第78-83页 |
| ·光照强度设计 | 第79页 |
| ·试验图像采集与处理 | 第79-81页 |
| ·图像处理 | 第81页 |
| ·分形维数的计算 | 第81-83页 |
| ·结论 | 第83-84页 |
| ·纹理特征 | 第84-89页 |
| ·空间灰度共生矩阵 | 第84-86页 |
| ·纹理特征值的计算与分析 | 第86-89页 |
| ·位置特征 | 第89-100页 |
| ·改进的像素直方图法识别条播作物中心行 | 第89-93页 |
| ·质心法识别作物中心行 | 第93-97页 |
| ·低通滤波法识别作物中心行 | 第97-99页 |
| ·直线拟合法识别作物中心行 | 第99-100页 |
| ·四种识别作物中心行方法的比较 | 第100页 |
| ·本章小结 | 第100-101页 |
| 参考文献 | 第101-103页 |
| 第四章 基于人工神经网络的杂草的分类与识别 | 第103-120页 |
| ·引言 | 第103页 |
| ·人工神经网络在模式识别上的优势 | 第103-105页 |
| ·固有的并行结构和并行处理 | 第104页 |
| ·知识的分布存储 | 第104页 |
| ·容错性 | 第104页 |
| ·自适应性 | 第104页 |
| ·模式识别能力 | 第104-105页 |
| ·人工神经网络结构 | 第105-108页 |
| ·人工神经元 | 第105-106页 |
| ·人工神经网络模型 | 第106-108页 |
| ·分层网络 | 第106-107页 |
| ·相互连接型网络 | 第107页 |
| ·神经网络的学习过程 | 第107-108页 |
| ·三层BP神经网络设计 | 第108-111页 |
| ·BP神经网络设计需要考虑的问题 | 第108-109页 |
| ·网络的层数 | 第108页 |
| ·隐含层的神经元数 | 第108页 |
| ·初始权值的选取 | 第108页 |
| ·学习速率 | 第108页 |
| ·期望误差的选取 | 第108-109页 |
| ·学习算法设计 | 第109-111页 |
| ·输入模式顺传播 | 第109-110页 |
| ·输入误差的逆传播 | 第110-111页 |
| ·循环记忆训练 | 第111页 |
| ·学习结果的判别 | 第111页 |
| ·学习算法框图 | 第111页 |
| ·实验方法 | 第111-118页 |
| ·基于杂草叶的分形维数的六种杂草分类器设计 | 第111-113页 |
| ·基于纹理的杂草和麦苗分类器设计 | 第113-115页 |
| ·杂草和麦苗的分类(两类问题) | 第113-114页 |
| ·杂草和麦苗的分类(多类问题) | 第114-115页 |
| ·基于植株整体分形维数的杂草和麦苗分类器设计 | 第115-117页 |
| ·杂草和麦苗的分类(两类问题) | 第115-116页 |
| ·杂草和麦苗的分类(多类问题) | 第116-117页 |
| ·基于纹理和分形维数的杂草和麦苗分类器设计 | 第117-118页 |
| ·本章小结 | 第118-119页 |
| 参考文献 | 第119-120页 |
| 第五章 喷药整体系统设计 | 第120-142页 |
| ·视觉系统 | 第122-126页 |
| ·硬件 | 第122-124页 |
| ·软件 | 第124-126页 |
| ·控制系统 | 第126-135页 |
| ·施药决策 | 第127-129页 |
| ·PLC | 第129-135页 |
| ·PLC的结构特点 | 第129-130页 |
| ·PLC与计算机的通信 | 第130-134页 |
| ·PLC程序 | 第134-135页 |
| ·喷药执行系统 | 第135-136页 |
| ·试验结果与分析 | 第136-140页 |
| ·试验材料与方法 | 第136-137页 |
| ·试验结果分析 | 第137-140页 |
| ·本章小结 | 第140-141页 |
| 参考文献 | 第141-142页 |
| 第六章 结论及建议 | 第142-145页 |
| ·主要结论 | 第142-143页 |
| ·主要创新点 | 第143页 |
| ·对今后工作的建议 | 第143-145页 |
| 附录A 攻读博士学位期间发表的论文 | 第145-146页 |
| 致谢 | 第146页 |