基于孢子图像识别的马铃薯晚疫病预警系统的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-14页 |
| ·论文研究目的及意义 | 第8-9页 |
| ·马铃薯晚疫病的危害及发病过程 | 第8页 |
| ·马铃薯晚疫病的检测手段 | 第8-9页 |
| ·课题研究意义 | 第9页 |
| ·图像识别技术 | 第9-11页 |
| ·数字图像处理技术 | 第9-10页 |
| ·人工神经网络的技术 | 第10-11页 |
| ·国内外生物图像识别研究现状 | 第11-12页 |
| ·农业图像识别研究现状 | 第11页 |
| ·生物图像识别研究现状 | 第11-12页 |
| ·国内外马铃薯晚疫病预警系统研究现状 | 第12-13页 |
| ·论文结构 | 第13-14页 |
| 2 马铃薯晚疫病孢子图像的分割 | 第14-36页 |
| ·彩色图像处理 | 第14-17页 |
| ·常见的颜色模型 | 第14-15页 |
| ·RGB 模型与其它颜色模型之间的转换 | 第15-16页 |
| ·彩色图像与灰度图像的转化 | 第16-17页 |
| ·灰度图像处理 | 第17-28页 |
| ·图像平滑 | 第17-19页 |
| ·灰度图像增强 | 第19-21页 |
| ·图像的区域分割 | 第21-28页 |
| ·二值图像处理 | 第28-31页 |
| ·孔洞填充 | 第29页 |
| ·数学形态学操作 | 第29-31页 |
| ·分水岭算法 | 第31-36页 |
| ·分水岭的基本原理 | 第31-32页 |
| ·分水岭算法的数学描述及分割结果 | 第32-33页 |
| ·改进的分水岭算法 | 第33-36页 |
| 3 马铃薯晚疫病孢子图像特征的提取与筛选 | 第36-43页 |
| ·孢子图像特征提取 | 第36-39页 |
| ·特征分类 | 第36-38页 |
| ·特征提取 | 第38-39页 |
| ·孢子图像特征选优 | 第39-43页 |
| ·特征三要素 | 第39-40页 |
| ·孢子特征的筛选 | 第40-43页 |
| 4 马铃薯晚疫病孢子特征的智能识别 | 第43-56页 |
| ·人工神经网络的起源及发展 | 第43页 |
| ·人工神经元 | 第43-46页 |
| ·人工神经元模型 | 第43-44页 |
| ·神经元的转移函数 | 第44-46页 |
| ·BP 神经网络结构及算法 | 第46-48页 |
| ·典型BP 算法 | 第46-47页 |
| ·改进的BP 算法 | 第47-48页 |
| ·BP 算法的程序实现 | 第48页 |
| ·基于孢子特征向量的神经网络识别 | 第48-56页 |
| ·神经网络的建立 | 第48-50页 |
| ·神经网络的训练与测试 | 第50-51页 |
| ·输入输出数据的预处理 | 第51-52页 |
| ·网络仿真 | 第52-54页 |
| ·仿真结果 | 第54-55页 |
| ·孢子计数 | 第55-56页 |
| 5 马铃薯晚疫病预警系统 | 第56-62页 |
| ·基于马铃薯晚疫病孢子数量的疫情预测 | 第56页 |
| ·疫情预警模型的初步建立 | 第56-57页 |
| ·预警模型验证 | 第57-58页 |
| ·预警系统的开发 | 第58-62页 |
| ·孢子识别计数模块 | 第59-60页 |
| ·图像处理模块 | 第60页 |
| ·神经网络模块 | 第60-61页 |
| ·病害预测模块 | 第61-62页 |
| 6 结论与展望 | 第62-63页 |
| ·结论 | 第62页 |
| ·展望 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 在读期间发表的学术论文 | 第65-66页 |
| 作者简介 | 第66-67页 |
| 致谢 | 第67-68页 |
