機(jī)器視覺(jué)技術(shù)是一項(xiàng)涉及人工智能?自動(dòng)控制?神經(jīng)生物學(xué)及圖形圖像學(xué)等眾多學(xué)科的綜合技術(shù)?隨著計(jì)算機(jī)軟硬件與圖像處理技術(shù)的發(fā)展,機(jī)器視覺(jué)技術(shù)在理論和實(shí)踐上都取得了重大突破,并擴(kuò)展到了農(nóng)業(yè)工程領(lǐng)域。目前,發(fā)達(dá)國(guó)家在農(nóng)業(yè)生產(chǎn)自動(dòng)化方面己經(jīng)使用機(jī)器視覺(jué)技術(shù)來(lái)實(shí)現(xiàn)對(duì)作業(yè)對(duì)象的識(shí)別和管理。我國(guó)在機(jī)器視覺(jué)技術(shù)與農(nóng)業(yè)工程領(lǐng)域相結(jié)合的應(yīng)用研究起步較晚,同時(shí)我國(guó)農(nóng)業(yè)生產(chǎn)環(huán)境具有復(fù)雜多變性以及非結(jié)構(gòu)化特性,使得機(jī)器視覺(jué)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用還不夠成熟。盡管如此,在借鑒國(guó)外技術(shù)的基礎(chǔ)上,國(guó)內(nèi)的學(xué)者也已經(jīng)展開(kāi)大量研究,將其應(yīng)用在蟲(chóng)害檢疫、果蔬采摘、農(nóng)田灌溉等廣泛領(lǐng)域,并取得了一定成果,可以預(yù)見(jiàn),將計(jì)算機(jī)學(xué)科的前沿技術(shù)融合到農(nóng)業(yè)工程領(lǐng)域,是促進(jìn)我國(guó)農(nóng)業(yè)機(jī)械自動(dòng)化、智能化發(fā)展的全新方向。本文以我國(guó)南方實(shí)蠅類的優(yōu)勢(shì)種——桔小實(shí)蠅、南瓜實(shí)蠅、瓜實(shí)蠅三類果實(shí)蠅成蟲(chóng)作為研究對(duì)象,借助計(jì)算機(jī)視覺(jué)技術(shù)對(duì)目標(biāo)圖像進(jìn)行處理分析,目的是為了能夠從圖像中快速、準(zhǔn)確地識(shí)別雙翅目果實(shí)蠅害蟲(chóng),并通過(guò)構(gòu)建圖像識(shí)別模型來(lái)實(shí)現(xiàn)流程自動(dòng)化,為果實(shí)蠅檢疫和大范圍作物群的實(shí)時(shí)監(jiān)控等蟲(chóng)害防治工作提供幫助�？焖�、準(zhǔn)確地從圖像中識(shí)別害蟲(chóng),是搭建基于機(jī)器視覺(jué)技術(shù)的害...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 前言
    1.1 課題的研究背景與意義
    1.2 課題的研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 本文的主要研究?jī)?nèi)容
        1.3.1 特征區(qū)域的選取
        1.3.2 特征區(qū)域的自動(dòng)鎖定
        1.3.3 識(shí)別模型的批量處理
    1.4 本章小結(jié)
2 果實(shí)蠅的特征分析
    2.1 生物形態(tài)特征與數(shù)學(xué)形態(tài)特征
    2.2 樣本庫(kù)制備
        2.2.1 實(shí)蠅樣本庫(kù)制備
        2.2.2 生物形態(tài)特征分析
    2.3 果實(shí)蠅的數(shù)學(xué)形態(tài)特征分析
        2.3.1 果實(shí)蠅特征的選取
        2.3.2 果實(shí)蠅特征的數(shù)學(xué)定義
    2.4 果實(shí)蠅圖像的特征提取方法
        2.4.1 高斯濾波
        2.4.2 自適應(yīng)邊緣檢測(cè)
        2.4.3 特征區(qū)域分割
        2.4.4 特征區(qū)域分割的試驗(yàn)結(jié)果與分析
        2.4.5 數(shù)學(xué)形態(tài)特征提取
    2.5 本章小結(jié)
3 特征工程
    3.1 特征工程規(guī)劃
        3.1.1 數(shù)據(jù)預(yù)處理
        3.1.2 特征選擇
        3.1.3 特征降維
    3.2 數(shù)據(jù)預(yù)處理方法
    3.3 果實(shí)蠅數(shù)學(xué)形態(tài)特征值提取及預(yù)處理
    3.4 特征選取方法
        3.4.1 分布型檢驗(yàn)方法
        3.4.2 方差齊性檢驗(yàn)方法
        3.4.3 顯著性差異檢驗(yàn)方法
    3.5 果實(shí)蠅數(shù)學(xué)形態(tài)特征選取
        3.5.1 總體分布假設(shè)檢驗(yàn)
        3.5.2 方差齊性檢驗(yàn)
        3.5.3 顯著性差異檢驗(yàn)
        3.5.4 試驗(yàn)結(jié)論分析
    3.6 本章小結(jié)
4 分類算法設(shè)計(jì)
    4.1 BP神經(jīng)網(wǎng)絡(luò)算法技術(shù)概要
        4.1.1 工作信號(hào)的正向傳遞
        4.1.2 誤差信號(hào)的反向傳遞
        4.1.3 神經(jīng)網(wǎng)絡(luò)初始化
    4.2 神經(jīng)網(wǎng)絡(luò)算法的縱向?qū)Ρ?br>        4.2.1 SVM算法技術(shù)概要
        4.2.2 橫向?qū)Ρ瓤偨Y(jié)
    4.3 神經(jīng)網(wǎng)絡(luò)算法的橫向?qū)Ρ?br>        4.3.1 BP神經(jīng)網(wǎng)絡(luò)算法的局限性
        4.3.2 CNN神經(jīng)網(wǎng)絡(luò)算法技術(shù)概要
        4.3.3 縱向?qū)Ρ瓤偨Y(jié)
    4.4 本章小結(jié)
5 圖像識(shí)別模型的構(gòu)建流程
    5.1 功能模塊設(shè)計(jì)
        5.1.1 需求概述
        5.1.2 軟件結(jié)構(gòu)
    5.2 分類試驗(yàn)結(jié)果與分析
        5.2.1 特征區(qū)域分割試驗(yàn)結(jié)果與分析
        5.2.2 特征因子數(shù)值分析
        5.2.3 神經(jīng)網(wǎng)絡(luò)分類試驗(yàn)結(jié)果與分析
    5.3 本章小結(jié)
6 圖像識(shí)別模型的性能評(píng)估
    6.1 性能評(píng)估指標(biāo)
        6.1.1 基本定義
        6.1.2 實(shí)例
    6.2 性能評(píng)估可視化方法
        6.2.1 混淆矩陣
        6.2.2 P-R空間
    6.3 性能評(píng)估試驗(yàn)分析
        6.3.1 交叉驗(yàn)證法
        6.3.2 試驗(yàn)結(jié)果分析
    6.4 本章小結(jié)
7 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3763298