| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 作物冠层采集及传输研究现状 | 第11-13页 |
| 1.2.2 作物冠层图像提取及识别研究现状 | 第13-14页 |
| 1.2.3 图像管理系统研究现状 | 第14-15页 |
| 1.3 现有研究存在的问题 | 第15页 |
| 1.4 论文的主要研究内容 | 第15-17页 |
| 第二章 作物冠层抓拍传输及图像自动管理系统相关技术 | 第17-34页 |
| 2.1 概述 | 第17页 |
| 2.2 Android系统概述和软件结构 | 第17-19页 |
| 2.3 图像及其相关信息无线传输相关技术研究 | 第19-23页 |
| 2.3.1 图像文件无线传输方案比较 | 第19-22页 |
| 2.3.2 图像相关文本数据传输方案比较 | 第22-23页 |
| 2.4 B/S图像自动管理系统服务器及数据库相关技术 | 第23-28页 |
| 2.4.1 服务器端SSM框架 | 第23-26页 |
| 2.4.2 数据库分片策略 | 第26-28页 |
| 2.5 基于机器学习的图像识别相关服务 | 第28-33页 |
| 2.5.1 浅层学习和深度学习原理及区别 | 第28-30页 |
| 2.5.2 基于机器学习图像识别服务对比 | 第30-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 自动识别分类及处理作物冠层与非冠层图像 | 第34-50页 |
| 3.1 概述 | 第34页 |
| 3.2 作物图像绿色特征像素覆盖率计算 | 第34-42页 |
| 3.2.1 基于改进超绿色法的作物冠层灰度图提取 | 第34-35页 |
| 3.2.2 基于闸值的作物冠层二值图提取 | 第35-39页 |
| 3.2.3 绿色作物冠层孔洞的识别填充 | 第39-40页 |
| 3.2.4 晴天光照下作物目标的分割 | 第40-41页 |
| 3.2.5 作物图像绿色特征像素覆盖率的自动计算 | 第41-42页 |
| 3.3 基于微软图像深度学习服务对图像内容进行识别 | 第42-45页 |
| 3.4 基于绿色特征像素覆盖率和深度学习结果的上传图像有效性综合决策 | 第45-47页 |
| 3.5 非作物图像和多并发图片上传的处理 | 第47-48页 |
| 3.6 本章小结 | 第48-50页 |
| 第四章 作物冠层抓拍传输及图像自动管理系统设计与实现 | 第50-70页 |
| 4.1 概述 | 第50页 |
| 4.2 作物冠层抓拍传输及图像自动管理系统应用场景 | 第50-51页 |
| 4.3 Android端软件和web端B/S系统整体功能和架构设计 | 第51-54页 |
| 4.4 作物图像管理系统数据库设计 | 第54-57页 |
| 4.4.1 作物图像管理系统需求分析 | 第54-55页 |
| 4.4.2 作物图像管理系统数据库详细设计 | 第55-57页 |
| 4.5 Android端作物冠层抓拍传输软件详细设计 | 第57-61页 |
| 4.6 web端作物图像自动管理系统详细设计 | 第61-64页 |
| 4.7 系统整体实现与测试 | 第64-69页 |
| 4.7.1 系统开发工具与运行环境 | 第64页 |
| 4.7.2 Android端作物抓拍传输软件实现效果 | 第64-66页 |
| 4.7.3 web端图像自动管理系统测试实现效果 | 第66-68页 |
| 4.7.4 服务器响应性能测试 | 第68-69页 |
| 4.8 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文研究内容总结 | 第70-71页 |
| 5.2 存在的不足和工作展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间发表的论文 | 第77页 |
