| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 引言 | 第10-17页 |
| 1.1 蛾类昆虫的简单介绍 | 第10-11页 |
| 1.2 昆虫自动识别鉴定国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本研究的目的与意义 | 第13-14页 |
| 1.4 研究内容 | 第14-15页 |
| 1.5 技术路线 | 第15-17页 |
| 2 试验材料 | 第17-23页 |
| 2.1 材料 | 第17-18页 |
| 2.2 蛾翅与翅脉图像获取 | 第18-20页 |
| 2.2.1 图像获取设备的选取 | 第18-19页 |
| 2.2.2 蛾翅标本图像的获取 | 第19页 |
| 2.2.3 翅脉标本图像的获取 | 第19-20页 |
| 2.3 蛾翅图像预处理 | 第20-23页 |
| 2.3.1 灰度图像的阈值分割 | 第21-22页 |
| 2.3.2 二值图像的平滑去噪 | 第22-23页 |
| 3 研究方法 | 第23-30页 |
| 3.1 数学形态特征 | 第23-25页 |
| 3.2 几何测量学形态特征 | 第25页 |
| 3.3 特征分析方法 | 第25-30页 |
| 4 数学形态特征在蛾类昆虫分类识别中的初步研究 | 第30-37页 |
| 4.1 蛾翅数学形态特征用于夜蛾科昆虫分类识别的可行性分析 | 第30-33页 |
| 4.1.1 方差分析结果 | 第31页 |
| 4.1.2 判别分析结果 | 第31-33页 |
| 4.1.3 结果分析 | 第33页 |
| 4.2 蛾翅数学形态特征用于刺蛾科昆虫分类识别的可行性分析 | 第33-36页 |
| 4.2.1 方差分析结果 | 第34页 |
| 4.2.2 判别分析结果 | 第34-36页 |
| 4.2.3 结果分析 | 第36页 |
| 4.3 小结 | 第36-37页 |
| 5 基于数学形态特征的分类识别研究 | 第37-63页 |
| 5.1 蛾翅数学形态特征在蛾类昆虫总科级阶元上分类识别中的应用 | 第37-41页 |
| 5.1.1 方差分析结果 | 第38页 |
| 5.1.2 判别分析结果 | 第38-40页 |
| 5.1.3 结果分析 | 第40-41页 |
| 5.2 蛾翅数学形态特征在蛾类昆虫科级阶元上分类识别中的应用 | 第41-45页 |
| 5.2.1 方差分析结果 | 第42页 |
| 5.2.2 判别分析结果 | 第42-45页 |
| 5.2.3 结果分析 | 第45页 |
| 5.3 蛾翅数学形态特征在蛾类昆虫种分类阶元上的应用 | 第45-61页 |
| 5.3.1 蛾翅数学形态特征在灯蛾科昆虫分类识别中的应用 | 第45-48页 |
| 5.3.2 蛾翅数学形态特征在天蛾科昆虫分类识别中的应用 | 第48-51页 |
| 5.3.3 蛾翅数学形态特征在枯叶蛾科昆虫分类识别中的应用 | 第51-54页 |
| 5.3.4 蛾翅数学形态特征在舟蛾科昆虫分类识别中的应用 | 第54-56页 |
| 5.3.5 蛾翅数学形态特征在毒蛾科昆虫分类识别中的应用 | 第56-59页 |
| 5.3.6 蛾翅数学形态特征在尺蛾科昆虫分类识别中的应用 | 第59-61页 |
| 5.4 小结 | 第61-63页 |
| 6 基于几何测量学形态特征的分类识别研究 | 第63-70页 |
| 6.1 翅脉数字图像获取和标记点选取与数字化 | 第63页 |
| 6.2 普氏叠加 | 第63-64页 |
| 6.3 相对扭曲分析 | 第64-66页 |
| 6.4 在天蛾昆虫分类识别中的应用研究 | 第66-69页 |
| 6.4.1 标记点差异显著性检验 | 第66页 |
| 6.4.2 分类结果 | 第66-69页 |
| 6.5 小结 | 第69-70页 |
| 7 神经网络在昆虫分类识别中的进一步研究进展 | 第70-78页 |
| 7.1 分析方法 | 第70-71页 |
| 7.2 主成分分析结果 | 第71-72页 |
| 7.3 BP 神经网络分类器设计与结果分析 | 第72-76页 |
| 7.4 小结 | 第76-78页 |
| 8 结论与讨论 | 第78-81页 |
| 8.1 结论 | 第78页 |
| 8.2 讨论 | 第78-81页 |
| 参考文献 | 第81-87页 |
| 在读期间发表的学术论文 | 第87-88页 |
| 作者简历 | 第88-89页 |
| 致谢 | 第89-90页 |
