| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 1 引言 | 第12-20页 |
| ·杂草种子分类方法简介 | 第12-13页 |
| ·杂草种子鉴定识别的意义 | 第13-14页 |
| ·杂草种子识别的国内外研究现状 | 第14-17页 |
| ·杂草种子机器识别的难点 | 第17-18页 |
| ·主要工作与内容安排 | 第18-20页 |
| 2 杂草种子图像特征选择和图像识别系统设计 | 第20-40页 |
| ·图像采集 | 第20-23页 |
| ·图像命名 | 第21-22页 |
| ·体视显微镜 | 第22页 |
| ·拍照 | 第22-23页 |
| ·杂草种子生物学特征分析 | 第23-28页 |
| ·豆科类杂草种子生物学特征分析 | 第24-27页 |
| ·豆科类杂草种子生物学特征描述 | 第27-28页 |
| ·杂草种子分类学研究 | 第28-30页 |
| ·豆科类杂草种子机器识别特征选择依据 | 第30-31页 |
| ·杂草种子形状特征视觉不变性的研究 | 第31-32页 |
| ·杂草种子图像特征 | 第32-33页 |
| ·杂草种子图像识别系统设计 | 第33-39页 |
| ·系统平台实验结果 | 第39页 |
| ·本章小结 | 第39-40页 |
| 3 杂草种子图像预处理与形状特征提取 | 第40-84页 |
| ·杂草种子图像分割 | 第40-42页 |
| ·常用的图像分割方法在杂草种子图像分割中的应用 | 第40-42页 |
| ·杂草种子图像特点与图像分割算法的对应关系分析 | 第42页 |
| ·脉冲耦合神经网络模型 | 第42-47页 |
| ·对PCNN对图像分割和二值图像输出工作机理 | 第44-45页 |
| ·PCNN在杂草种子图像分割与二值图像输出的可行性分析 | 第45-46页 |
| ·PCNN对图像分割效果实验分析 | 第46页 |
| ·PCNN参数选择的主要方法 | 第46-47页 |
| ·改进PCNN及图像分割 | 第47-50页 |
| ·简化PCNN参数和模型结构 | 第47-48页 |
| ·优化PCNN参数 | 第48-50页 |
| ·实验结果分析 | 第50-53页 |
| ·数学形态学处理 | 第53-54页 |
| ·噪声处理 | 第54-56页 |
| ·杂草种子的形状特征计算 | 第56-61页 |
| ·几何参数计算 | 第56-58页 |
| ·特征参数计算 | 第58-60页 |
| ·不变矩特征 | 第60-61页 |
| ·杂草种子形态特征实验结果与分析 | 第61-67页 |
| ·使用BP神经网络评估特征维数与识别率的关系 | 第67-72页 |
| ·BP网络拓扑结构设计 | 第68-71页 |
| ·实验结果 | 第71-72页 |
| ·实验结果分析 | 第72页 |
| ·支持向量机(SVM)提高识别率 | 第72-75页 |
| ·SVM核函数参数的选择和实验结果 | 第73-74页 |
| ·SVM实验结果分析比较 | 第74-75页 |
| ·主成分分析(PCA)和核主成分分析(KPCA)方法验证特征之间冗余度 | 第75-79页 |
| ·主成分分析(PCA)方法 | 第75-76页 |
| ·核主分量分析(KPCA)方法 | 第76-77页 |
| ·实验结果与性能分析 | 第77-79页 |
| ·粒子群算法聚类分析 | 第79-83页 |
| ·粒子群算法对豆科杂草种子聚类分析算法 | 第79-81页 |
| ·粒子群算法的聚类算法实验结果及分析 | 第81-83页 |
| ·本章小结 | 第83-84页 |
| 4 基于自组织-时滞神经网络对残缺遮挡杂草种子的识别 | 第84-98页 |
| ·基于轮廓的形状表示与描述 | 第84-90页 |
| ·基于递归的边界分裂的多边形表示 | 第86-88页 |
| ·杂草种子形状的局部多边形特征描述 | 第88-90页 |
| ·基于局部特征的形状匹配方法 | 第90-93页 |
| ·自组织-时滞单元混合网络的结构 | 第91-92页 |
| ·自组织-时滞单元混合网络网络的学习算法 | 第92-93页 |
| ·残缺杂草种子识别过程 | 第93-94页 |
| ·实验结果与分析 | 第94-97页 |
| ·本章小节 | 第97-98页 |
| 5 总结与展望 | 第98-100页 |
| ·总结 | 第98-99页 |
| ·展望 | 第99-100页 |
| 参考文献 | 第100-105页 |
| 附录 | 第105-113页 |
| 致谢 | 第113-114页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第114-115页 |
