| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-24页 |
| 1.1 课题背景及研究的目的和意义 | 第10-12页 |
| 1.1.1 课题研究背景 | 第10-11页 |
| 1.1.2 课题研究意义 | 第11-12页 |
| 1.2 智能杂草辨识研究现状 | 第12-20页 |
| 1.2.1 农业领域利用计算机视觉辨识杂草研究现状 | 第12-14页 |
| 1.2.2 农机领域辨识杂草研究现状 | 第14-15页 |
| 1.2.3 目标检测问题研究现状 | 第15-20页 |
| 1.3 智能辨识杂草遇到的问题 | 第20-21页 |
| 1.4 论文的主要研究工作及内容组织 | 第21-24页 |
| 第2章 数据集的生成及预处理 | 第24-35页 |
| 2.1 引言 | 第24页 |
| 2.2 数据集的生成 | 第24-29页 |
| 2.2.1 玉米幼苗与杂草图片的采集 | 第24-25页 |
| 2.2.2 现有的目标定位方法以及思路来源 | 第25-26页 |
| 2.2.3 基于RGB颜色特征空间的目标定位 | 第26-27页 |
| 2.2.4 腐蚀与膨胀 | 第27-29页 |
| 2.3 基于GRABCUT算法的背景分割 | 第29-31页 |
| 2.4 基于HSV颜色空间的前景提取 | 第31-33页 |
| 2.5 本章小结 | 第33-35页 |
| 第3章 基于浅层特征的杂草辨识 | 第35-51页 |
| 3.1 引言 | 第35页 |
| 3.2 方法思路来源 | 第35-36页 |
| 3.3 特征提取 | 第36-41页 |
| 3.3.1 SIFT特征提取 | 第37-39页 |
| 3.3.2 HARRIS角点提取 | 第39-40页 |
| 3.3.3 特征融合 | 第40-41页 |
| 3.4 基于SVM分类器的分类 | 第41-45页 |
| 3.4.1 SVM简介 | 第41-43页 |
| 3.4.2 分类器训练 | 第43页 |
| 3.4.3 分类器测试 | 第43-45页 |
| 3.5 实验结果与分析 | 第45-49页 |
| 3.5.1 SVM分类器最大迭代次数对实验结果的影响 | 第45-46页 |
| 3.5.2 不同的核函数选取对实验结果的影响 | 第46-47页 |
| 3.5.3 特征融合对比单一特征对实验结果的影响 | 第47-48页 |
| 3.5.4 实验结果总结 | 第48-49页 |
| 3.6 本章小结 | 第49-51页 |
| 第4章 基于FASTER R-CNN深度模型的杂草辨识 | 第51-65页 |
| 4.1 引言 | 第51页 |
| 4.2 方法思路来源 | 第51-52页 |
| 4.3 FASTER R-CNN深度模型基本原理 | 第52-56页 |
| 4.4 基于改进FASTER R-CNN模型的杂草辨识 | 第56-59页 |
| 4.4.1 数据集类别标注 | 第56-57页 |
| 4.4.2 Faster R-CNN模型的结构与参数调整 | 第57-59页 |
| 4.5 实验结果与分析 | 第59-63页 |
| 4.5.1 训练集与测试集所占比例对实验结果的影响 | 第59-60页 |
| 4.5.2 候选框的比例和数量对实验结果的影响 | 第60-61页 |
| 4.5.3 共享卷积层数对实验结果的影响 | 第61-62页 |
| 4.5.4 实验结果总结 | 第62-63页 |
| 4.6 本章小结 | 第63-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第72-74页 |
| 致谢 | 第74页 |
