基于BP神经网络的田间杂草识别技术的研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 选题背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 研究内容与技术路线 | 第11-13页 |
| 1.3.1 研究内容 | 第11页 |
| 1.3.2 技术路线 | 第11-13页 |
| 第二章 田间图像采集与前处理 | 第13-20页 |
| 2.1 田间图像的采集 | 第13-14页 |
| 2.1.1 采集时间 | 第13页 |
| 2.1.2 采集方法 | 第13-14页 |
| 2.1.3 采集图像 | 第14页 |
| 2.2 彩色图像灰度处理 | 第14-16页 |
| 2.2.1 颜色空间的选择 | 第15-16页 |
| 2.2.2 超绿色法灰度化 | 第16页 |
| 2.3 灰度图像的前处理 | 第16-19页 |
| 2.3.1 邻域均值滤波 | 第17-18页 |
| 2.3.2 中值滤波 | 第18页 |
| 2.3.3 滤波结果分析 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 灰度图像的背景分割及后处理 | 第20-30页 |
| 3.1 阈值分割方法 | 第20-25页 |
| 3.1.1 直方图阈值分割 | 第20-22页 |
| 3.1.2 OTUS阈值分割 | 第22页 |
| 3.1.3 迭代法阈值分割 | 第22-23页 |
| 3.1.4 分割结果与分割方法的选取 | 第23-25页 |
| 3.2 二值图像的后处理 | 第25-29页 |
| 3.2.1 数学形态学算法 | 第25-26页 |
| 3.2.2 形态滤波 | 第26-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第四章 杂草和玉米叶片形态特征的提取 | 第30-44页 |
| 4.1 基于形态学处理的重叠叶片的分割 | 第30-31页 |
| 4.2 叶片连通区域标记 | 第31-32页 |
| 4.3 基于区域的形态特征提取 | 第32-34页 |
| 4.3.1 区域面积A计算 | 第32-33页 |
| 4.3.2 第一不变矩特征计算 | 第33-34页 |
| 4.4 边缘检测 | 第34-38页 |
| 4.4.1 边缘检测算法 | 第34-37页 |
| 4.4.2 边缘检测结果与分析 | 第37-38页 |
| 4.5 基于轮廓的形态特征提取 | 第38-41页 |
| 4.5.1 叶片周长P的计算 | 第39页 |
| 4.5.2 叶片长L、宽W的计算 | 第39-40页 |
| 4.5.3 宽长比r的计算 | 第40页 |
| 4.5.4 圆形度C的计算 | 第40页 |
| 4.5.5 矩形度R的计算 | 第40-41页 |
| 4.6 形状特征参数的比较和分析 | 第41-43页 |
| 4.7 本章小结 | 第43-44页 |
| 第五章 基于BP神经网络的玉米和杂草分类器的研究 | 第44-52页 |
| 5.1 BP神经网络原理 | 第44-46页 |
| 5.2 杂草分类器的设计 | 第46-50页 |
| 5.2.1 网络结构的选择 | 第46页 |
| 5.2.2 网络参数的选择 | 第46-48页 |
| 5.2.3 Simulation仿真 | 第48-50页 |
| 5.3 田间杂草识别验证 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 结论与展望 | 第52-54页 |
| 6.1 结论 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者简介 | 第58-59页 |
| 致谢 | 第59页 |
