| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 1 绪论 | 第17-32页 |
| 1.1 研究背景及意义 | 第17-19页 |
| 1.2 田间图像自动观测系统 | 第19页 |
| 1.3 国内外研究与发展现状 | 第19-27页 |
| 1.4 田间自动观测的难点与挑战 | 第27-29页 |
| 1.5 主要研究内容 | 第29-31页 |
| 1.6 课题来源与行文安排 | 第31-32页 |
| 2 基于区域颜色建模的联合语义分割 | 第32-46页 |
| 2.1 引言 | 第32-33页 |
| 2.2 融合超像素的图像区域生成 | 第33-36页 |
| 2.3 基于组合神经网络的语义标注 | 第36-39页 |
| 2.4 作物与玉米雄穗分割数据集 | 第39-40页 |
| 2.5 实验结果与分析 | 第40-45页 |
| 2.6 本章小结 | 第45-46页 |
| 3 基于测度学习的开花状态纹理识别 | 第46-60页 |
| 3.1 引言 | 第46-48页 |
| 3.2 雄穗开花状态的视觉特征表达 | 第48-50页 |
| 3.3 基于最大间隔思想的开花状态特征维数约减 | 第50-52页 |
| 3.4 玉米雄穗开花状态数据集 | 第52-53页 |
| 3.5 实验结果与分析 | 第53-59页 |
| 3.6 本章小结 | 第59-60页 |
| 4 基于卷积响应特征编码的高效细粒度作物品种分类 | 第60-79页 |
| 4.1 引言 | 第60-62页 |
| 4.2 滤波器引导的CNN特征编码机制 | 第62-67页 |
| 4.3 基于查找表和对偶正则平均的快速分类器学习与在线优化 | 第67-69页 |
| 4.4 玉米雄穗品种分类数据集 | 第69-71页 |
| 4.5 实验结果与分析 | 第71-78页 |
| 4.6 本章小结 | 第78-79页 |
| 5 基于深度局部计数回归网络的田间目标计数 | 第79-95页 |
| 5.1 引言 | 第79-80页 |
| 5.2 深度局部计数回归网络 | 第80-84页 |
| 5.3 玉米雄穗计数数据集 | 第84页 |
| 5.4 实验结果与分析 | 第84-93页 |
| 5.5 本章小结 | 第93-95页 |
| 6 线性判别分析启发的视觉领域适应 | 第95-117页 |
| 6.1 引言 | 第95-97页 |
| 6.2 基于类均值学习特定类别投影 | 第97-100页 |
| 6.3 迭代推测目标域样本标签 | 第100-101页 |
| 6.4 半监督领域适应的扩展 | 第101-102页 |
| 6.5 实验结果与分析 | 第102-115页 |
| 6.6 本章小结 | 第115-117页 |
| 7 玉米关键发育期自动观测集成软件系统 | 第117-123页 |
| 7.1 引言 | 第117-118页 |
| 7.2 玉米抽穗期自动检测 | 第118-121页 |
| 7.3 玉米开花期自动检测 | 第121-122页 |
| 7.4 本章小结 | 第122-123页 |
| 8 全文总结与展望 | 第123-127页 |
| 8.1 主要研究内容 | 第123-124页 |
| 8.2 主要创新点 | 第124-125页 |
| 8.3 研究展望 | 第125-127页 |
| 致谢 | 第127-128页 |
| 参考文献 | 第128-139页 |
| 附录 A 攻读学位期间发表的学术论文 | 第139-141页 |
| 附录 B 发表的学术论文、发明专利与学位论文的关系 | 第141-143页 |
| 附录 C 作者在博士期间主要参与的课题 | 第143-144页 |