一、仓储物害虫分类识别中纹理特征的提取（论文文献综述）
陈俭[1]（2021）在《基于卷积神经网络和度量学习的害虫检测方法研究》文中提出快速、准确的害虫识别是虫情监控的关键。传统害虫诊断过程依赖农业专家的知识,人工识别费力耗时且易出错,难以达到现代农业的自动化要求。近年来,国内外研究者在基于机器视觉技术的害虫检测方法上进行了大量研究,希望构建实时性强、精度高的检测系统替代传统人工方法。其中,基于卷积神经网络的图像处理方法在模型精度和泛化能力上都大幅超越了传统机器视觉方法,在田间自然环境下害虫图像识别问题中表现出较强的鲁棒性。目前的害虫识别研究以成虫的分类任务为主,对于体积小、肉眼不易发现的单种害虫进行识别的研究还比较少。这类害虫在图像中体现为像素数少、与背景特征相近,其识别任务有一定的技术难度和研究价值。另一方面,对于多种害虫的目标检测任务,目前的研究涉及的害虫种类数多为数类至数十类,对于模型在害虫种类更多时的适用性未有探讨。与此同时,基于卷积神经网络的特征分类模型,在需要增加新害虫类别时需要重新进行数据采集、标注和神经网络训练,在模型的灵活性、泛用性上尚有不足。本文针对这两个问题展开以下几方面的研究:（1）使用卷积神经网络模型,研究了叶片表面体积小、与背景相似度较高的蚜虫幼虫的识别。采集被蚜虫侵染的小青菜叶片图像,基于U-Net卷积神经网络模型构建了对图像中叶片蚜虫进行像素级分割的模型。模型在测试数据中Dice系数达到0.82。进一步使用像素级分割结果进行蚜虫计数,结果与人工计数平均绝对误差为1.2,准确和召回率均超过95%。与传统图像分割方法对比,本文方法在识别精度上具有较大的优势。（2）研究了基于i Naturalist2017数据集的多类别昆虫目标检测方法。设计实验验证了图像中昆虫的尺度不一问题是影响分类精度的主要因素,图像中背景的干扰是次要因素。在此基础上,提出先使用Faster R-CNN模型进行图像中昆虫的定位,统一昆虫尺度后再使用Res Net50模型进行昆虫分类的检测方法。相比使用Faster R-CNN模型进行端到端的定位与分类的模型,本文模型将i Naturalist数据集1021类昆虫的目标检测任务m AP性能指标从0.483提升到0.614。（3）研究了类别无关的害虫定位方法。使用i Naturalist数据集和Faster R-CNN卷积神经网络构建了具有较高泛化能力的图像昆虫定位模型。模型在跨类别交叉验证中m AP指标超过0.73。在只使用i Naturalist数据集进行训练,不使用特定农业害虫数据进行训练微调的情况下,该模型在农业害虫数据集中m AP指标超过0.7。初步实现了通用性和鲁棒性较强的害虫定位模型。（4）研究了基于度量学习方法和卷积神经网络的害虫分类模型。基于Arc Face度量学习方法在i Naturalist数据集上训练Res Net50卷积神经网络作为特征提取器。在应用于农业害虫分类时,使用少量已知类别的害虫图像提取特征并构建特征库。在对未知图像进行分类时,提取特征并与特征库进行比对得到分类结果。实验中只使用少量数据（每类5张图像）构建特征库,就能够在4个农业害虫数据集上分别达到90%以上的分类准确率,实现了添加新害虫类别时无需重训练的害虫分类。（5）开发并设计了基于FPGA硬件的卷积神经网络模型。通过网络的小型化设计以及知识蒸馏和神经网络量化方法,在保留足够模型精度的前提下加快模型的运行速度。测试结果表明,害虫定位模型在AP50指标达到0.91的条件下运行速度超过150图像/秒,害虫分类模型在准确率超过90%的条件下运行速度超过200图像/秒,蚜虫幼虫分割模型在Dice系数达到0.69的条件下运行速度约为3图像/秒。
脱小倩[2]（2020）在《基于深度学习的钻蛀性害虫声音识别》文中提出林业钻蛀性害虫生活隐蔽、对寄主的危害时间长且危害性较为严重,早期受害状难以察觉,但扩散速度快且极易爆发成灾,在中后期可以通过外部损害特征进行虫情判断,但往往已经造成无法挽回的损失。目前多采用人工观察或遥感图像的方式在成虫期对蛀干害虫进行监测,大量消耗人力、物力和财力,无法在虫害发生早期实现精准预警。基于此,本文探索了基于深度学习的钻蛀性害虫声音识别,针对无噪和含噪两种虫声数据设计识别模型和降噪模型实现了虫声识别和降噪,探索真实环境下害虫自动识别预警的可能性。一方面,本文设计实现了四个轻量级神经网络变种Insect Frames＿1-4,通过调整网络结构提取不同维度的钻蛀振动特征,并对比了平均池化降维对特征提取及钻蛀振动识别效果的影响;本文分别提取对数梅尔声谱和小波包分解谱图作为卷积神经网络的输入,对比不同网络输入对识别效果的影响。实验结果表明,对数梅尔声谱更适用于钻蛀性害虫的声音识别任务;Insect Frames＿1-4利用对数梅尔声谱进行识别的精度均达到90%以上,在CPU上平均识别时间为0.1s-1.3s;其中,最佳模型Insect Frames＿2识别精度达到95.83%。另一方面,本文设计实现了针对三种含噪虫声信号的降噪网络Enhance,直接对虫声信号的时域特征进行学习从而实现对降噪虫声信号的预测回归,本文使用空洞卷积技术搭建降噪网络的主体,有效增大网络的感受野,同时引入自适应归一化函数（LRe LU）实现神经网络的非线性变换。实验结果表明,降噪后虫声信号信噪比提高7.02d B;利用训练好的Insect Frames＿2对含噪信号和降噪后信号进行识别,降噪后信号的识别精度提高68.75%,重新训练Insect Frames＿2后,识别精度进一步提高16.67%。本文将基于深度学习的声音识别技术应用于幼虫钻蛀振动的自动化侦听,具有高效、简单、成本低等优势,可提升林业钻蛀性害虫的早期预警能力。
杨国国[3]（2017）在《基于机器视觉的中华稻蝗早期蝗蝻的识别和检测研究》文中研究指明水稻长期以来都是我国人民种植的主要粮食作物,当今人们对于粮食的安全和产量都提出双重要求的情况下,对稻田进行精细化管理,尽量减少化学药剂的使用是我们当今需要面对的问题。中华稻蝗占到稻田土蝗数量的80%左右,是稻田土蝗的优势种。目前对于中华稻蝗的预测和防治都还存在大量使用人力普查,盲目防治的问题。根据中华稻蝗在三龄前的群居特性,三龄后才扩散稻田的生态习性,本文着重探讨利用黏性陷阱诱捕中华稻蝗的前期蝗蝻,获取黏板图像,并在田间背景下采集中华稻蝗的图像,进行中华稻蝗的龄期识别、分类以及早期稻蝗的检测。（1）设计了一种针对中华稻蝗和稻田早期越冬害虫的图像获取系统。固定相机的高度和光圈以获得稳定的图像。实现了基于图像识别技术的中华稻蝗的龄期的识别和计数。将图像转化为HSV空间,利用V通道的灰度图像对原图的灰度图像进行增强,改善了不均匀光照、目标与背景灰度接近、目标较小的情况下Otsu法难以计算最佳阈值的缺陷。通过图像的增强和形态学处理对图像中的中华稻蝗进行分割,进而根据中华稻蝗不同龄期体态的阶跃性变化,完成对中华稻蝗的龄期识别和计数,为稻田蝗虫的虫情在线监测及管理决断提供依据。（2）提出了基于图像特征提取的早期中华稻蝗害虫和典型越冬害虫的识别方法。采用"图像分割——特征提取——分类器设计"的技术路线,在图像分割阶段,将早春时期的越冬害虫二化螟和稻纵卷叶螟与中华稻蝗的幼虫进行分割并将图像填充为相同大小;介绍了模式识别的主要方法,进一步针对图像分割后的害虫目标,提取了形态、不变矩、颜色和纹理等全局特征;基于图像的全局特征建立了 SVM分类模型,针对早春的越冬害虫和蝗蝻进行识别,识别准确率达到了 88.3%。（3）将DPM引入中华稻蝗的检测。类似于人体检测,害虫由于姿态变化多样,所处的环境复杂,对于害虫的检测也是一个很有挑战的课题。目前对于人体的检测已经有很多的方式,其中DPM（可变型部件模型）是在人体检测中效果较好的一种方法。本文研究了基于DPM的中华稻蝗检测。详细介绍了DPM的原理,将中华稻蝗的自然环境样本图像作为训练样本,应用训练的DPM模型对自然环境下获取的中华稻蝗图像以及黏板上的中华稻蝗图像进行检测。应用DPM算法,实现对大田复杂背景下稻蝗的检测。
周瑶[4]（2017）在《基于机器视觉与黄板诱导的有翅昆虫统计识别系统的研究与实现》文中进行了进一步梳理害虫的快速、准确统计识别是农作物病虫害防治的基础。传统的害虫检测主要依靠植保专家通过肉眼进行人工统计与识别,存在主观性、模糊性且费时费力。随着计算机技术的发展,人们逐渐将图像处理和模式识别技术应用到害虫的识别中,并建立害虫识别系统,提高了识别准确率和工作效率。课题以在田间和大棚采集到的典型有翅昆虫作为研究对象,以黄板和树莓派摄像头构建图像采集系统,以树莓派作为开发平台,完成有翅昆虫统计识别系统的搭建。首先,为了有效区分采集图像上的目标与排泄物、水珠和泥点等杂质,论文对比研究了基于连通区域标记和基于深度学习网络YOLO的有翅昆虫检测与计数方法。然后,研究了传统模式识别技术和基于深度学习网络的识别技术。在对传统模式识别方法的研究中,提取有翅昆虫的颜色、形状、纹理等全局特征和HOG局部特征;根据提取的特征,分别用SVM和BP神经网络对指定种类的有翅昆虫构建分类器并进行分类识别,并探讨了基于多元特征组合的分类器的分类识别率。在对深度学习网络的研究中,分析了基于YOLO深度学习网络的识别技术。最后,完成树莓派开发环境的搭建,运用Python、OpenCV和Darknet完成了统计识别系统;以在花卉种植基地和草莓大棚采集到的黄板图像作为测试图片,以人工识别的种类和数量作为标准,对系统的性能进行了测试。实验结果表明,与连通区域标记方法相比,YOLO深度学习网络的计数准确率更高,抗干扰能力更强。对于分类结果,由于用于训练的样本数量不够,YOLO的分类准确率不高;SVM分类器在运算速度和分类准确率上均优于BP神经网络;颜色、纹理、形状和局部特征等单一特征不能很好的区分有翅昆虫,全局特征结合局部特征对分类准确率有一定的提高,但是计算速度明显变慢。因此,论文选择了基于YOLO深度学习网络的计数方法与基于全局特征的SVM分类器实现论文的统计识别系统。系统对测试图片的计数平均正确率为93.45%,分类平均正确率为92.24%,基本达到了论文的设计要求。本论文研究结果为基于机器视觉的害虫统计识别技术提供了理论和实践基础。
王勇平[5]（2015）在《图像动态特征提取在精准农业领域的应用研究》文中指出现代化的精准农业系统在节约资源、改善环境、减少污染和提高效益等方面具有重要的意义,代表了未来农业的发展方向。为有效获取农业现场信息,需要依靠多种传感器相互配合特别是视觉信息的获取和处理。随着机器视觉技术的快速发展,高清图像传递了现场的实时状况,也给图像动态特征提取提出了新的挑战。本研究结合精准农业中具体的项目需求,在图像动态特征提取方面给出了相应的解决方法。针对精准投饵问题,考虑在野外环境下,往往会存在环境背景复杂、目标变化较快、外界干扰不定等诸多问题,为实现动态目标的量化检出、运动量定义以及投喂系统的精准控制,本研究从群体目标的进食运动规律出发,综合优化目标检测方法实现目标群体的精确计算,从而实现动态目标的精确检测与特征提取。所提出的优化群体目标点集的方法进行相关特征检测,有效提高了算法效率,保证了系统的长时间稳定运行。针对虫害检测问题,主要是针对飞虱类、螟类等飞行类害虫进行数量检测、特征提取与识别分类,并在夜间与白天的不同情况下分别提出了相关特征分析策略,优化特征提取。所提出对特征向量加权的办法,可有效提升害虫识别准确率。为切实解决农业现场的应用需求,本研究开发了一体化的视觉监测系统,分别是鱼群养殖精准投饲系统,以及农田害虫自动检测系统。这些系统已在农业现场得到了推广应用。其中精准投饵系统在天津某渔场得到应用,害虫预报系统则在安徽某着名农业科技示范区进行了部署。
牛霆葳[6]（2015）在《基于机器视觉的农田害虫自动识别方法研究》文中研究说明害虫的监测、虫情虫害的统计预报工作是害虫综合管理预防的重要环节之一,传统的害虫监测统计方式需要具有相关知识的专业人员完成,而且会耗费大量的人力财力。基于机器视觉的害虫自动识别方法具有效率高、无接触、安装方便以及识别准确率高等优点,十分适合现代农业生产的需要。基于机器视觉的害虫识别与计数技术应用了昆虫学、图像处理以及模式识别等方面的理论原理。目前的研究主要针对的是实验室环境下的害虫识别,而实验室内的环境较为稳定。实验室中,没有风吹、杂物的影响,光照强度均匀稳定不会发生变化,而且害虫样本通常由人工摆放。故在此条件下采集到的害虫图像的背景简单,光照稳定,目标害虫姿态良好。为了能在实际的复杂农业环境下实现准确、高效地基于机器视觉的害虫分类识别,本文对现有的实现方法进行研究、分析,对存在的问题和不足进行了改进和完善。害虫识别技术主要包括：害虫图像采集、害虫图像预处理、图像特征数据提取、特空间征优化以及分类识别计数等几个步骤。为了获得更加准确、可靠的特征数据,对图像预处理技术进行改进,解决了害虫摆放一致性的问题,减少了灰度纹理特征数据的误差。图像特征是害虫识别的基础,本文提取了包括17种形态特征、26种纹理特征、11种颜色特征共54维的原始特征空间。为了使害虫的分类识别结果更加准确、高效,采用多种智能算法对原始特征空间进行优化降维,获取到的最优特征子空间有效的提升了害虫分类识别方法的性能。为了验证上述设计的方法的可行性,本文使用工控机、摄像头、光源以及金属箱体等硬件设备开发了适用于野外环境的害虫自动识别与计数系统。系统的软件采用C≠语言编写,配合硬件设备,实现了害虫自动识别与计数、害虫模型实时建立、害虫信息远程传输等功能,并进行了初步的测试。
宗精学,杨余旺,赵炜,王磊,莫然[7]（2014）在《基于图像分析的病虫识别研究》文中提出为比较应用图像分析技术识别病虫的效果,选取菜蛾、菜粉蝶、玉米螟、中华稻蝗、竹云纹野螟和稻纵卷叶螟共6种病虫的图片进行分类识别。利用图像技术对六种病虫的图片依次进行病虫图像预处理、病虫背景区分和病虫特征提取工作,最后进行两级分类识别。结果表明,经过处理后的病虫图像在两级分类识别中可以达到较高的识别率。同时表明,在农作物病虫害识别与防治领域应用图像分析技术可以提供迅速、可靠、精确和非破坏性的分析诊断识别方面的技术支持。
李虹[8]（2014）在《油茶害虫图像特征提取研究》文中认为油茶是四大木本食用油料植物之一,具有极高的经济价值。在我国南方,油茶已逐渐成为山区农民脱贫致富奔小康的支柱产业之一。油茶的产量一直以来都受制于油茶害虫的侵害。因此,油茶害虫检测是油茶病害虫防治的前提,也是油茶保产增产的基础。本文结合机器视觉实现对油茶毒蛾幼虫的特征提取,为后续的自动检测提供重要的基础数据。针对自然环境采集到的油茶毒蛾幼虫图像光照不足、对比度低、噪声干扰等问题,通过实验比较各种图像增强算法,选择了首先使用直方图均衡化增强图像对比度,然后利用均值滤波去除噪声的增强算法。实验表明,该方法对油茶毒蛾幼虫图像增强具有较好的增强效果。通过对油茶毒蛾图像的分割实验发现,使用现有的图像分割算法分割油茶毒蛾幼虫图像不能得到理想的分割效果。因此,设计了基于邻域最大差值与区域合并分割算法,对油茶害虫图像实现分割。实验表明,该算法对油茶毒蛾幼虫图像分割具有较好的分割效果。通过对41张油茶毒蛾幼虫图像的仿真实验,提取了图像的全局形状特征、不变矩特征以及灰度共生矩阵等特征。其中针对油茶毒蛾幼虫的形状特征,通过分析油茶毒蛾幼虫图像具有旋转不变性,使用基于最小方差的不变矩特征提取算法实现特征提取。实验表明,提取出来的不变矩比Hu不变矩具有更好的聚合性。文中算法虽然在害虫图像处理方面得到了预期结果。在图像分割中,设计出一个适合于自然环境的图像分割算法。在特征提取中,提取到了多个油茶毒蛾幼虫的有效特征值。但本文图像分割算法的普适性仍有待考察,在对特征进行选择时,仅采取波动曲线观察法进行特征优化的方法,可能使得最终选择到的特征有些许误差。
荆晓冉[9]（2014）在《基于图像的害虫自动计数与识别系统的研究》文中进行了进一步梳理近年来,我国农业害虫灾情严重、虫口密度大、发生种类多,喷施农药虽然可以减少虫害但同时也带来了严重的水土资源污染、生态系统失衡等问题。因此,在虫害发生前进行虫情监测与预报至关重要。传统的人工监测方法利用人工感官在现场统计害虫数量并判别害虫,其准确率受人的主观因素的影响比较大,且耗时耗力。目前,随着智能监测技术的不断发展,基于图像的虫情监测已经成为首选。本文在传统诱捕装置的基础上,采用光电传感器计数方法、GPRS无线通信技术、安卓核心控制技术和模式识别技术,研究了害虫的自动计数、无线信息传输、信息管理等方面技术问题,选取斜纹夜蛾作为图像识别研究对象,在此基础上建立了害虫捕获自动计数和斜纹夜蛾远程识别系统。本论文的主要研究工作如下：（1）完成对系统的总体设计,根据实际情况设计了太阳能虫情测报灯,在捕获装置中加入了光电传感计数器、红外线感应摄像头模块、GPRS模块和安卓控制模块,实现了对害虫的准确计数,害虫图像的抓拍以及计数信息和图像信息的远程无线传输。（2）在PC端设计了一个管理信息系统,管理信息系统的前端是一个GPRS接收模块,一方面可以通过该模块发送指令到远程诱捕装置,另一方面可以实时接收来自远程捕获装置的计数和图像数据,当管理信息系统通过串口查询到这些数据后可以分类保存到数据库,达到信息整合。（3）选取水稻田间常见的害虫斜纹夜蛾作为研究对象,研究了它的图像预处理技术。将斜纹夜蛾图像进行HSV模型的阈值分割、数学形态学中的膨胀,用寻找和比较最大联通区域的方法,完成了图像的预处理,为下一步的特征提取打下基础。（4）在对特征提取进行研究的基础上,通过对图像的分析,提取了面积、周长、偏心率、形状参数、复杂度、占空比、最大弦、最小弦、球性度和7个不变矩等20个形态学特征作为原始特征,分析选择了其中的7个作为最有效特征集。（5）对BP神经网络进行了研究,选择了一种改进的分类方法用于对害虫的分类和识别,分析比较了改进的分类算法和原始算法的学习效率,实现了斜纹夜蛾的识别。
韩瑞珍[10]（2014）在《基于机器视觉的农田害虫快速检测与识别研究》文中进行了进一步梳理害虫快速检测与识别是农作物病虫害防治的基础。传统的害虫分类和识别主要是专家通过肉眼观察害虫的外部特征并与模式标本对照来完成的,这种识别方法费时费力。随着计算机技术的发展,人们逐渐将图像处理技术与模式识别技术应用到害虫的研究和识别中,并建立害虫的识别系统,丰富了识别手段,提高了识别效率。本文以农田典型害虫作为研究对象,采用数字图像处理技术和模式识别技术研究了害虫图像的分割、特征提取、分类器分类等方面技术问题,并在此基础上结合3G无线网络技术建立了基于物联网的昆虫远程自动识别系统。本论文的主要研究工作如下：（1）设计了害虫图像采集系统。本论文研究的害虫尺寸差异较大,同一害虫姿态各异,而且害虫的活动能力较强。为此,本论文研究了满足两种需求的害虫采集系统。一种系统采集诱捕到的害虫的图像。该系统对象的特点是目标静止、目标到镜头的距离固定、视野范围固定,因此,该系统使用CMOS相机和定焦镜头。另一种系统实时采集田间害虫的图像。该系统对象的特点是目标运动、目标到镜头的距离可变、视野范围可变,因此,该系统使用CCD相机和变焦镜头。（2）提出了基于HSV颜色模型的害虫图像分割技术。本论文针对害虫图像背景和目标颜色的特点,将基于HSV颜色模型的Otsu阈值分割方法应用到背景和目标的分割中。在进行图像分割前,将图像的RGB模型转换成HSV模型,并且将转换得到的H分量旋转180度后利用Otsu算法自适应找到阈值,从而实现了背景和目标的分离。最后,对分割后的图像进行了一些后续处理,得到完整的害虫目标。该分割技术克服了采用害虫RGB原图进行分割时,有较多背景错分为口标的不足。（3）研究了害虫图像多特征提取技术和特征选择技术。根据害虫的形态特点,提取了目标对象的几何形状特征和矩特征两类形态特征参数；根据害虫之间颜色的差别,提取了害虫的颜色矩作为颜色特征；根据害虫纹理特点,提取了基于灰度共生矩阵的害虫的纹理特征。这些特征共同组成了35个低层视觉特征。研究了基于蚁群算法的特征选择技术,将原始的35维特征降低到29维,识别准确率从87.4%提高到89.5%。本文将近年来图像处理领域的研究热点——SIFT局部特征的提取方法应用于害虫图像的特征提取中。害虫的局部特征具有旋转、平移和尺度不变的特性、对光照变化不敏感且不依赖于背景分割,适合提取在自然光和复杂背景下获得的害虫图像的特征值。将局部特征应用到昆虫的分类识别中·,既拓宽了局部特征提取技术的应用领域,又给昆虫的特征值获取提供了新思路和新方法。（4）研究了害虫图像识别技术。本文采用SVM模式识别方法建立害虫的识别模型。介绍了常见模式识别方法,详细分析了支持向量机（SVM）的理论研究基础和基本方法。本文通过不同特征组合的识别试验验证采用的特征提取技术和模式分类技术的有效性。采用由形态特征、颜色特征和纹理特征组成的低层视觉特征的正确识别率为85%以上；采用经过蚁群优化的低层视觉特征子集的正确识率为89.5%；采用原图的SIFT特征的正确识别率为79.2%。试验结果表明蚁群优化算法能够消除特征间的相关性、剔除冗余特征、提高识别率。同时,试验结果也表明局部特征提取方法可以尝试应用于不进行背景分割而直接提取害虫特征值的研究中。（5）研究构建了基于物联网的害虫远程智能识别系统。研究了包括稻纵卷叶螟、斜纹夜峨、玉米螟、大螟、稻螟蛉、二化螟、金龟子、小地老虎、黄杨绢野螟、蝼蛄、桃蛀螟和白背飞虱等12种典型农田害虫的图像分割、特征值提取技术,并利用SVM分类器完成了分类识别；在上述研究基础上设计了基于物联网的害虫远程自动识别系统。系统通过3G无线网络组成一个主控端和多个远端的分布式识别网络,系统既能够在远端自动识别害虫,也能够在远端将害虫图像压缩后,通过3G无线网络将图片传输到主控端,在主控端进行自动识别。系统通过读入本地磁盘保存的图片实现动态扩充样本库的功能。同时、系统设计了专家识别的接口,使专家能够对本系统识别后的害虫图片进行观测分析,并和系统识的结果进行比较。该系统采用在自然光、姿态随机的状态下获得的害虫图像建模,识别模型具有较好的泛化能力,克服了现有大多研究中因采用标准样本图像建立识别模型而导致推广能力较差的不足。
二、仓储物害虫分类识别中纹理特征的提取（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、仓储物害虫分类识别中纹理特征的提取（论文提纲范文）
（1）基于卷积神经网络和度量学习的害虫检测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于传统机器视觉方法的农业虫害检测 |
| 1.2.2 基于深度学习的农业害虫检测 |
| 1.2.3 存在的问题 |
| 1.3 技术路线与研究内容 |
| 第二章 材料与方法 |
| 2.1 实验材料 |
| 2.1.1 实验室采集数据集 |
| 2.1.2 公开数据集 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络的基本算子 |
| 2.2.2 卷积神经网络的架构设计 |
| 2.3 深度度量学习 |
| 2.3.1 深度度量学习概述 |
| 2.3.2 深度度量学习损失函数 |
| 2.4 卷积神经网络加速方法 |
| 2.4.1 剪枝 |
| 2.4.2 量化 |
| 第三章 基于卷积神经网络的蚜虫幼虫识别方法 |
| 3.1 引言 |
| 3.2 实验设计 |
| 3.2.1 图像标注 |
| 3.2.2 全卷积神经网络设计 |
| 3.2.3 实验软件与硬件 |
| 3.3 评价指标 |
| 3.3.1 已标注测试数据的定量评价 |
| 3.3.2 网络架构精简与优化 |
| 3.4 实验结果与分析 |
| 3.4.1 CNN-4-4 结果分析 |
| 3.4.2 基于预训练编码器的迁移学习结果 |
| 3.4.3 卷积神经网络架构优化结果分析 |
| 3.5 本章小结 |
| 第四章 基于卷积神经网络的害虫目标检测方法 |
| 4.1 引言 |
| 4.2 卷积神经网络模型 |
| 4.2.1 卷积神经网络架构 |
| 4.2.2 模型运行环境 |
| 4.3 基于大规模昆虫图像预训练的农业害虫识别 |
| 4.3.1 iNaturalist2017数据集和iNaturalist2021数据集预训练 |
| 4.3.2 IP102 数据集迁移学习结果与分析 |
| 4.4 昆虫分类准确率影响因素分析 |
| 4.4.1 实验设计 |
| 4.4.2 卷积神经网络训练 |
| 4.4.3 结果与分析 |
| 4.5 昆虫目标检测及跨类别定位 |
| 4.5.1 实验设计 |
| 4.5.2 卷积神经网络训练和预测 |
| 4.5.3 评价指标 |
| 4.5.4 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于度量学习的害虫分类方法 |
| 5.1 引言 |
| 5.2 数据集与处理方法 |
| 5.2.1 数据集 |
| 5.2.2 实验方法 |
| 5.2.3 卷积神经网络训练 |
| 5.2.4 特征可视化方法 |
| 5.2.5 评价指标 |
| 5.3 实验结果与分析 |
| 5.3.1 度量学习算法的参数调优 |
| 5.3.2 特征批归一化的作用分析 |
| 5.3.3 特征可视化分析 |
| 5.3.4 跨类别分类结果与分析 |
| 5.3.5 农作物害虫数据集分类结果与分析 |
| 5.3.6 特征维度的影响分析 |
| 5.3.7 基于iNaturalist2021数据集的综合系统构建 |
| 5.4 本章小结 |
| 第六章 基于FPGA的轻量级卷积神经网络设计 |
| 6.1 引言 |
| 6.2 系统硬件选择与设计 |
| 6.2.1 Ultra96-V2 开发板 |
| 6.2.2 Xilinx Zynq Ultra Scale+MPSoC ZU3EG |
| 6.2.3 图像采集设备 |
| 6.2.4 其它硬件 |
| 6.2.5 系统软件设计 |
| 6.3 卷积神经网络的小型化 |
| 6.3.1 特征提取网络 |
| 6.3.2 特征融合网络 |
| 6.3.3 检测网络 |
| 6.3.4 输入分辨率的选择 |
| 6.4 知识蒸馏与神经网络量化 |
| 6.4.1 害虫度量学习网络的知识蒸馏 |
| 6.4.2 神经网络量化 |
| 6.5 系统测试 |
| 6.5.1 小型农业害虫定位网络的精度测试 |
| 6.5.2 小型农业害虫分类网络的精度测试 |
| 6.5.3 小型蚜虫分割网络精度测试 |
| 6.5.4 运行速度测试 |
| 6.6 本章小结 |
| 第七章 结论与展望 |
| 7.1 主要研究结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历 |
（2）基于深度学习的钻蛀性害虫声音识别（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 害虫声音监测 |
| 1.2.2 深度学习技术 |
| 1.2.3 基于深度学习的声音识别 |
| 1.3 研究内容 |
| 1.4 组织结构 |
| 2 数据集获取与建立 |
| 2.1 实验材料与设备 |
| 2.2 钻蛀振动录音 |
| 2.3 本章小结 |
| 3 钻蛀性害虫识别 |
| 3.1 钻蛀振动信号预处理 |
| 3.1.1 有效片段提取 |
| 3.1.2 虫声信号特征提取 |
| 3.2 基于Insect Frames的钻蛀振动识别 |
| 3.2.1 Insect Frames识别模型 |
| 3.2.2 害虫声音识别流程 |
| 3.2.3 实验环境 |
| 3.3 基于GMM的钻蛀振动识别 |
| 3.4 基于Res Net18 的钻蛀振动识别 |
| 3.5 实验与结果 |
| 3.6 讨论与分析 |
| 3.7 本章小结 |
| 4 虫声降噪识别 |
| 4.1 数据集加噪 |
| 4.2 虫声降噪方法 |
| 4.3 结果与分析 |
| 4.3.1 评价指标 |
| 4.3.2 结果与分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（3）基于机器视觉的中华稻蝗早期蝗蝻的识别和检测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 主要英文缩略表 |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 针对蝗虫监测和图像技术应用现状 |
| 1.3 图像识别技术在害虫识别上的应用 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.3.3 存在问题 |
| 1.4 研究内容 |
| 1.5 本章小结 |
| 第二章 中华稻蝗蝻期图像的获取和分割技术研究 |
| 2.1 实验样本的获取 |
| 2.2 实验图像的获取 |
| 2.3 主要的图像分割方法 |
| 2.3.1 边缘检测分割算法 |
| 2.3.2 基于区域的分割算法 |
| 2.4 原始图像的直接分割 |
| 2.5 本章小结 |
| 第三章 蝗蝻图像分割和龄期判定 |
| 3.1 颜色模型分析 |
| 3.2 基于HSV颜色空间的害虫图像增强和分割 |
| 3.2.1 基于HSV模型S通道的图像增强 |
| 3.2.2 移除噪音和填充小洞 |
| 3.2.3 数字形态学处理 |
| 3.3 中华稻蝗龄期的快速判别 |
| 3.4 本章小结 |
| 第四章 中华稻蝗的蝗蝻和稻田其它早期害虫的识别 |
| 4.1 模式识别方法 |
| 4.2 SVM分类器 |
| 4.3 特征选择 |
| 4.3.1 颜色特征 |
| 4.3.2 几何形状特征 |
| 4.3.3 Hu矩的特征参数提取 |
| 4.3.4 纹理特征 |
| 4.4 数据归一化 |
| 4.5 早期害虫的分类识别 |
| 4.6 本章小结 |
| 第五章 基于DPM的中华稻蝗检测 |
| 5.1 可变型部件模型(DPM) |
| 5.2 HOG特征提取 |
| 5.3 DPM的训练 |
| 5.3.1 Latent SVM |
| 5.3.2 基于DPM的害虫模型训练 |
| 5.4 DPM模型检测效果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简介 |
（4）基于机器视觉与黄板诱导的有翅昆虫统计识别系统的研究与实现（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 课题研究背景与研究意义 |
| 1.2 机器视觉在农业领域的国内外研究现状 |
| 1.2.1 图像分割技术的研究现状 |
| 1.2.2 特征提取技术的研究现状 |
| 1.2.3 病虫害识别技术的研究现状 |
| 1.2.4 机器视觉在农业领域的研究趋势 |
| 1.3 论文的研究内容 |
| 1.3.1 有翅昆虫的检测与计数 |
| 1.3.2 有翅昆虫的分类识别 |
| 1.3.3 有翅昆虫统计识别系统的设计与实现 |
| 1.4 论文的组织结构 |
| 2 有翅昆虫统计识别系统的总体设计 |
| 2.1 农业气象服务平台 |
| 2.2 有翅昆虫统计识别系统概述 |
| 2.2.1 功能需求分析 |
| 2.2.2 设计要求 |
| 2.3 有翅昆虫统计识别系统的设计 |
| 2.3.1 硬件系统设计 |
| 2.3.2 软件系统设计 |
| 2.4 本章小结 |
| 3 有翅昆虫的检测与计数 |
| 3.1 连通区域标记计数 |
| 3.1.1 图像分割 |
| 3.1.2 形态学处理 |
| 3.1.3 连通区域标记 |
| 3.1.4 计数结果 |
| 3.2 基于YOLO的检测与计数 |
| 3.2.1 卷积神经网络概述 |
| 3.2.2 YOLO卷积神经网络概述 |
| 3.2.3 训练与检测结果 |
| 3.3 计数结果对比与分析 |
| 3.4 本章小结 |
| 4 有翅昆虫的分类识别 |
| 4.1 特征提取 |
| 4.1.1 形状特征提取 |
| 4.1.2 纹理特征提取 |
| 4.1.3 颜色特征提取 |
| 4.1.4 HOG特征提取 |
| 4.2 基于支持向量机的分类识别 |
| 4.2.1 支持向量机概述 |
| 4.2.2 LIBSVM工具箱 |
| 4.2.3 SVM分类器设计 |
| 4.2.4 训练及分类结果 |
| 4.3 基于BP神经网络的分类识别 |
| 4.3.1 BP神经网络概述 |
| 4.3.2 BP神经网络分类器设计 |
| 4.3.3 训练及分类结果 |
| 4.4 基于YOLO的分类识别 |
| 4.5 分类结果对比 |
| 4.6 本章小结 |
| 5 有翅昆虫统计识别系统的实现与测试 |
| 5.1 系统开发环境的搭建 |
| 5.1.1 操作系统安装 |
| 5.1.2 OpenCV库安装 |
| 5.1.3 Darknet安装 |
| 5.2 系统实现 |
| 5.2.1 系统的功能描述 |
| 5.2.2 软件的总体流程 |
| 5.3 系统测试 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文研究工作总结 |
| 6.2 后续研究工作的展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读硕士学位期间发表的论文 |
| B. 作者在攻读硕士学位期间参与的科研项目 |
（5）图像动态特征提取在精准农业领域的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 鱼群的特征提取研究现状 |
| 1.2.2 农田害虫特征提取研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 目标检测与特征提取算法研究 |
| 2.1 目标检测与特征提取概述 |
| 2.2 常见的目标检测方法 |
| 2.2.1 帧间差分法 |
| 2.2.2 背景消除法 |
| 2.2.3 光流法 |
| 2.3 常用的目标特征 |
| 2.3.1 颜色特征 |
| 2.3.2 纹理特征 |
| 2.3.3 形状特征 |
| 2.4 图像多特征融合与分类识别 |
| 2.4.1 多特征融合概述 |
| 2.4.2 距离分类器 |
| 2.4.3 k-means聚类算法 |
| 2.4.4 多特征融合图像识别 |
| 2.5 本章小结 |
| 第三章 鱼群特征信息提取及应用 |
| 3.1 项目背景与研究目标 |
| 3.1.1 项目背景 |
| 3.1.2 研究目标 |
| 3.2 鱼群养殖精准投饲系统结构 |
| 3.2.1 现代渔业投饲系统 |
| 3.2.2 鱼群养殖精准投饲系统 |
| 3.3 目标鱼群图像获取与特征提取 |
| 3.3.1 目标鱼群图像获取 |
| 3.3.2 基于帧差法的目标鱼群检测算法设计 |
| 3.3.3 目标鱼群特征量计算方法 |
| 3.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 农田害虫特征提取及应用 |
| 4.1 项目背景与研究目标 |
| 4.1.1 项目背景 |
| 4.1.2 研究目标 |
| 4.2 农田害虫自动检测系统结构 |
| 4.2.1 图像采集模块 |
| 4.2.2 4G传输模块 |
| 4.2.3 电源模块 |
| 4.2.4 控制模块 |
| 4.3 农田害虫图像获取与特征提取 |
| 4.3.1 农田害虫图像获取 |
| 4.3.2 基于混合高斯模型背景消除的害虫提取 |
| 4.3.3 农田害虫自动检测系统 |
| 4.4 实验分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文及取得的其他研究成果 |
（6）基于机器视觉的农田害虫自动识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.1.1 害虫识别技术的发展 |
| 1.1.2 基于机器视觉的害虫识别技术简介 |
| 1.1.3 害虫治理现状 |
| 1.2 相关技术研究现状 |
| 1.2.1 图像预处理技术的研究现状 |
| 1.2.2 害虫特征提取技术的研究现状 |
| 1.2.3 害虫特征优化技术的研究现状 |
| 1.2.4 害虫分类识别方法的研究现状 |
| 1.3 课题研究的内容和意义 |
| 1.3.1 课题研究的内容 |
| 1.3.2 课题研究的意义 |
| 2 害虫图像采集与预处理 |
| 2.1 害虫图像采集系统 |
| 2.2 害虫图像预处理 |
| 2.2.1 害虫图像增强 |
| 2.2.2 害虫图像分割 |
| 2.2.3 害虫样本摆放一致性问题 |
| 2.2.4 背景图像干扰 |
| 3 害虫图像特征提取 |
| 3.1 形状特征提取 |
| 3.1.1 几何特征提取 |
| 3.1.2 Hu不变矩特征提取 |
| 3.2 纹理特征提取 |
| 3.2.1 基于灰度共生矩阵的纹理特征提取 |
| 3.2.2 基于小波变换的纹理特征提取 |
| 3.3 HSV颜色特征提取 |
| 4 害虫图像特征优化 |
| 4.1 基于遗传算法的特征优化 |
| 4.1.1 遗传算法概述 |
| 4.1.2 遗传算法优化特征数据 |
| 4.2 基于模拟退火算法的特征优化 |
| 4.2.1 模拟退火算法概述 |
| 4.2.2 模拟退火算法优化特征数据 |
| 4.3 基于蚁群算法的特征优化 |
| 4.3.1 蚁群算法概述 |
| 4.3.2 蚁群算法优化特征数据 |
| 5 算法实验结果及分析 |
| 5.1 分类器设计及实现 |
| 5.1.1 支持向量机概述 |
| 5.1.2 libsvm工具箱简介 |
| 5.1.3 支持向量机参数选择 |
| 5.2 优化算法实验 |
| 5.2.1 遗传算法实验结果 |
| 5.2.2 模拟退火算法实验结果 |
| 5.2.3 蚁群算法实验结果 |
| 5.3 优化结果对比分析 |
| 5.4 害虫识别性能提升 |
| 6 害虫识别分类的应用研究 |
| 6.1 硬件系统设计 |
| 6.1.1 供电系统 |
| 6.1.2 害虫诱捕及传动系统 |
| 6.1.3 图像采集与处理系统 |
| 6.2 系统软件设计 |
| 6.2.1 害虫识别模型建立 |
| 6.2.2 GPRS功能 |
| 6.2.3 害虫识别计数功能 |
| 6.3 系统测试 |
| 7 结论 |
| 8 展望 |
| 9 参考文献 |
| 10 致谢 |
（7）基于图像分析的病虫识别研究（论文提纲范文）
| 1 实验材料 |
| 2 病虫图像预处理 |
| 2.1 图像去噪 |
| 2.1.1 图像灰度化 |
| 2.1.2 改进的中值滤波算法 |
| 2.2 病虫与背景的区分 |
| 2.3 病虫触角的消除 |
| 2.3.1 数学形态学介绍 |
| 2.3.2 数学形态学应用 |
| 2.4 病虫轮廓的消除 |
| 2.4.1 边缘检测 |
| 2.4.2 轮廓提取 |
| 2.5 轮廓填充 |
| 3 病虫特征提取 |
| 4 分类识别 |
| 4.1 一级分类 |
| 4.2 二级分类 |
| 5 实验结果 |
| 6 总结 |
（8）油茶害虫图像特征提取研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 油茶害虫的危害及特点 |
| 1.3 本文的主要研究内容 |
| 1.4 本文的文章组织结构 |
| 1.5 本章小结 |
| 2 昆虫图像处理技术研究现状 |
| 2.1 昆虫图像增强技术 |
| 2.1.1 空间域图像增强的研究现状 |
| 2.1.2 频率域图像增强的研究现状 |
| 2.1.3 存在的问题 |
| 2.2 昆虫图像分割技术 |
| 2.2.1 图割法分割昆虫图像研究现状 |
| 2.2.2 阈值法分割昆虫图像研究现状 |
| 2.2.3 区域生长法昆虫图像研究现状 |
| 2.2.4 存在的问题 |
| 2.3 昆虫图像特征提取技术 |
| 2.3.1 颜色特征提取 |
| 2.3.2 形态特征提取 |
| 2.3.3 纹理特征提取 |
| 2.3.4 存在问题 |
| 2.4 本章小结 |
| 3 油茶害虫图像增强技术 |
| 3.1 图像采集 |
| 3.1.1 采集系统设计 |
| 3.1.2 室内环境采集油茶害虫图像 |
| 3.1.3 自然环境采集油茶害虫图像 |
| 3.2 直方图均衡化 |
| 3.2.1 害虫图像直方图分析 |
| 3.2.2 直方图均衡化增强 |
| 3.2.3 实验结果 |
| 3.3 均值滤波 |
| 3.3.1 算法介绍 |
| 3.3.2 Box模板选择 |
| 3.3.3 实验结果 |
| 3.4 本章小结 |
| 4 油茶害虫图像分割技术 |
| 4.1 最大类间方差法 |
| 4.2 区域分离合并法 |
| 4.3 基于K均值的区域合并算法 |
| 4.3.1 K均值聚类 |
| 4.3.2 合并准则 |
| 4.3.3 实验结果 |
| 4.4 基于邻域最大差值法的区域合并算法 |
| 4.4.1 邻域最大差值 |
| 4.4.2 合并准则 |
| 4.4.3 过分割误差处理 |
| 4.4.4 算法流程 |
| 4.4.5 实验结果 |
| 4.5 分割结果对比 |
| 4.6 本章小结 |
| 5 油茶害虫图像特征提取技术 |
| 5.1 全局形状特征提取 |
| 5.2 不变矩特征提取 |
| 5.2.1 矩的定义 |
| 5.2.2 最小方差不变矩 |
| 5.3 灰度共生矩阵提取技术 |
| 5.4 特征选择与优化 |
| 5.4.1 全局形状特征选取 |
| 5.4.2 不变矩特征选取 |
| 5.4.3 灰度共生矩阵特征选取 |
| 5.5 本章小结 |
| 6 结论和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 致谢 |
（9）基于图像的害虫自动计数与识别系统的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 昆虫诱捕方法的介绍 |
| 1.2.2 昆虫计数方法的介绍 |
| 1.2.3 昆虫图像识别技术的介绍与发展 |
| 1.2.4 与本课题相关的国内外技术研究现状 |
| 1.3 研究的意义 |
| 1.4 本文的设计思路与组织结构 |
| 第二章 害虫自动计数与识别系统的硬件设计 |
| 2.1 系统的总体方案 |
| 2.2 信息的获取 |
| 2.2.1 诱捕灯的设计 |
| 2.2.2 计数模块的设计 |
| 2.2.3 控制模块的设计 |
| 2.2.4 图像采集模块的设计 |
| 2.3 信息的传输 |
| 2.3.1 GPRS模块的选择依据 |
| 2.3.2 GPRS模块的接口电路设计 |
| 2.4 信息的接收 |
| 2.4.1 GPRS接收模块的选择依据 |
| 2.4.2 GPRS接收模块与PC的连接 |
| 2.5 本章小结 |
| 第三章 害虫自动计数与识别系统的软件设计 |
| 3.1 软件总体流程 |
| 3.2 软件开发环境 |
| 3.2.1 Android系统开发工具 |
| 3.2.2 编程界面与显示的主界面 |
| 3.3 计数模块程序的实现 |
| 3.4 控制模块与计数模块的通信实现 |
| 3.5 控制模块与摄像头模块通信的实现 |
| 3.6 管理信息系统的实现 |
| 3.6.1 管理信息系统的功能图 |
| 3.6.2 管理信息系统界面示意图 |
| 3.7 本章小结 |
| 第四章 斜纹夜蛾图像的预处理 |
| 4.1 昆虫图像识别的关键技术 |
| 4.1.1 图像分割技术 |
| 4.1.2 特征提取技术 |
| 4.1.3 分类器设计 |
| 4.2 斜纹夜蛾图像的采集 |
| 4.3 图像的分割 |
| 4.4 图像的形态学处理 |
| 4.5 空洞填充 |
| 4.6 本章小结 |
| 第五章 图像的特征提取和分析 |
| 5.1 形态学特征 |
| 5.2 纹理特征 |
| 5.3 数据归一化处理 |
| 5.4 特征选择 |
| 5.5 本章小结 |
| 第六章 分类识别的研究 |
| 6.1 BP神经网络 |
| 6.2 改进的BP神经网络 |
| 6.3 分类结果 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简介 |
（10）基于机器视觉的农田害虫快速检测与识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 图目录 |
| 表目录 |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究的背景及意义 |
| 1.2 机器视觉技术在农业上的应用 |
| 1.3 机器视觉技术在昆虫识别上的应用 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 存在的问题及主要研究内容 |
| 1.4.1 存在的问题 |
| 1.4.2 主要研究内容 |
| 1.5 本文的技术路线 |
| 1.6 本文的组织结构 |
| 1.7 本章小结 |
| 第二章 害虫图像的采集和图像分割技术研究 |
| 2.1 害虫图像的采集 |
| 2.1.1 试验材料 |
| 2.1.2 图像采集系统设计及图像获取 |
| 2.2 图像分割技术 |
| 2.2.1 图像分割技术概念 |
| 2.2.2 常见分割算法分析 |
| 2.3 面向害虫图像的分割技术研究 |
| 2.3.1 颜色模型分析 |
| 2.3.2 基于HSV模型的害虫图像分割技术 |
| 2.4 害虫图像分割的后续处理 |
| 2.4.1 图像的形态学处理 |
| 2.4.2 空洞填充 |
| 2.5 害虫图像分割算法实现 |
| 2.6 本章小结 |
| 第三章 害虫图像多特征提取技术研究与实现 |
| 3.1 目标区域低层视觉特征提取 |
| 3.1.1 颜色特征 |
| 3.1.2 纹理特征 |
| 3.1.3 几何形状特征 |
| 3.1.4 基于Hu矩的特征参数提取 |
| 3.2 特征的选择 |
| 3.2.1 主成分分析法 |
| 3.2.2 蚁群算法 |
| 3.3 SIFT局部特征提取 |
| 3.3.1 检测尺度空间极值 |
| 3.3.2 精确定位特征点位置 |
| 3.3.3 确定特征点的方向 |
| 3.3.4 生成SIFT特征描述符 |
| 3.4 k-means聚类方法 |
| 3.5 基于“Bag-of-Words”图像建模方法 |
| 3.6 数据归一化 |
| 3.6.1 普通归一化 |
| 3.6.2 坐标分布归一化 |
| 3.6.3 平均数方差法 |
| 3.6.4 均匀分布归一化 |
| 3.7 本章小结 |
| 第四章 害虫模式识别研究 |
| 4.1 模式识别方法概述 |
| 4.2 SVM分类器 |
| 4.2.1 统计学理论的基本思想 |
| 4.2.2 支持向量机基本方法 |
| 4.2.3 LIBSVM软件介绍 |
| 4.3 SVM分类器设计及参数优化 |
| 4.4 试验结果与分析 |
| 4.4.1 低层视觉特征和局部特征的识别试验 |
| 4.4.2 不同特征组合的识别试验 |
| 4.5 本章小结 |
| 第五章 基于物联网的害虫远程智能识别系统 |
| 5.1 系统需求分析 |
| 5.2 系统总体方案设计 |
| 5.2.1 物联网 |
| 5.2.2 3G技术 |
| 5.2.3 GPS模块 |
| 5.3 系统软件方案设计 |
| 5.3.1 开发环境与开发工具 |
| 5.3.2 软件方案设计 |
| 5.4 识别系统方案的实现 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、仓储物害虫分类识别中纹理特征的提取（论文参考文献）
- [1]基于卷积神经网络和度量学习的害虫检测方法研究[D]. 陈俭. 浙江大学, 2021(01)
- [2]基于深度学习的钻蛀性害虫声音识别[D]. 脱小倩. 北京林业大学, 2020(02)
- [3]基于机器视觉的中华稻蝗早期蝗蝻的识别和检测研究[D]. 杨国国. 浙江大学, 2017(09)
- [4]基于机器视觉与黄板诱导的有翅昆虫统计识别系统的研究与实现[D]. 周瑶. 重庆大学, 2017(06)
- [5]图像动态特征提取在精准农业领域的应用研究[D]. 王勇平. 中国科学技术大学, 2015(09)
- [6]基于机器视觉的农田害虫自动识别方法研究[D]. 牛霆葳. 天津科技大学, 2015(02)
- [7]基于图像分析的病虫识别研究[J]. 宗精学,杨余旺,赵炜,王磊,莫然. 科学技术与工程, 2014(19)
- [8]油茶害虫图像特征提取研究[D]. 李虹. 中南林业科技大学, 2014(02)
- [9]基于图像的害虫自动计数与识别系统的研究[D]. 荆晓冉. 浙江大学, 2014(01)
- [10]基于机器视觉的农田害虫快速检测与识别研究[D]. 韩瑞珍. 浙江大学, 2014(07)