機器視覺技術(shù)是一項涉及人工智能?自動控制?神經(jīng)生物學及圖形圖像學等眾多學科的綜合技術(shù)?隨著計算機軟硬件與圖像處理技術(shù)的發(fā)展,機器視覺技術(shù)在理論和實踐上都取得了重大突破,并擴展到了農(nóng)業(yè)工程領(lǐng)域。目前,發(fā)達國家在農(nóng)業(yè)生產(chǎn)自動化方面己經(jīng)使用機器視覺技術(shù)來實現(xiàn)對作業(yè)對象的識別和管理。我國在機器視覺技術(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,同時我國農(nóng)業(yè)生產(chǎn)環(huán)境具有復雜多變性以及非結(jié)構(gòu)化特性,使得機器視覺在農(nóng)業(yè)生產(chǎn)中的應(yīng)用還不夠成熟。盡管如此,在借鑒國外技術(shù)的基礎(chǔ)上,國內(nèi)的學者也已經(jīng)展開大量研究,將其應(yīng)用在蟲害檢疫、果蔬采摘、農(nóng)田灌溉等廣泛領(lǐng)域,并取得了一定成果,可以預見,將計算機學科的前沿技術(shù)融合到農(nóng)業(yè)工程領(lǐng)域,是促進我國農(nóng)業(yè)機械自動化、智能化發(fā)展的全新方向。本文以我國南方實蠅類的優(yōu)勢種——桔小實蠅、南瓜實蠅、瓜實蠅三類果實蠅成蟲作為研究對象,借助計算機視覺技術(shù)對目標圖像進行處理分析,目的是為了能夠從圖像中快速、準確地識別雙翅目果實蠅害蟲,并通過構(gòu)建圖像識別模型來實現(xiàn)流程自動化,為果實蠅檢疫和大范圍作物群的實時監(jiān)控等蟲害防治工作提供幫助。快速、準確地從圖像中識別害蟲,是搭建基于機器視覺技術(shù)的害...

【文章頁數(shù)】：69 頁

【學位級別】：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 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 本文的主要研究內(nèi)容
        1.3.1 特征區(qū)域的選取
        1.3.2 特征區(qū)域的自動鎖定
        1.3.3 識別模型的批量處理
    1.4 本章小結(jié)
2 果實蠅的特征分析
    2.1 生物形態(tài)特征與數(shù)學形態(tài)特征
    2.2 樣本庫制備
        2.2.1 實蠅樣本庫制備
        2.2.2 生物形態(tài)特征分析
    2.3 果實蠅的數(shù)學形態(tài)特征分析
        2.3.1 果實蠅特征的選取
        2.3.2 果實蠅特征的數(shù)學定義
    2.4 果實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
        2.4.3 特征區(qū)域分割
        2.4.4 特征區(qū)域分割的試驗結(jié)果與分析
        2.4.5 數(shù)學形態(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)預處理
        3.1.2 特征選擇
        3.1.3 特征降維
    3.2 數(shù)據(jù)預處理方法
    3.3 果實蠅數(shù)學形態(tài)特征值提取及預處理
    3.4 特征選取方法
        3.4.1 分布型檢驗方法
        3.4.2 方差齊性檢驗方法
        3.4.3 顯著性差異檢驗方法
    3.5 果實蠅數(shù)學形態(tài)特征選取
        3.5.1 總體分布假設(shè)檢驗
        3.5.2 方差齊性檢驗
        3.5.3 顯著性差異檢驗
        3.5.4 試驗結(jié)論分析
    3.6 本章小結(jié)
4 分類算法設(shè)計
    4.1 BP神經(jīng)網(wǎng)絡(luò)算法技術(shù)概要
        4.1.1 工作信號的正向傳遞
        4.1.2 誤差信號的反向傳遞
        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 圖像識別模型的構(gòu)建流程
    5.1 功能模塊設(shè)計
        5.1.1 需求概述
        5.1.2 軟件結(jié)構(gòu)
    5.2 分類試驗結(jié)果與分析
        5.2.1 特征區(qū)域分割試驗結(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)分類試驗結(jié)果與分析
    5.3 本章小結(jié)
6 圖像識別模型的性能評估
    6.1 性能評估指標
        6.1.1 基本定義
        6.1.2 實例
    6.2 性能評估可視化方法
        6.2.1 混淆矩陣
        6.2.2 P-R空間
    6.3 性能評估試驗分析
        6.3.1 交叉驗證法
        6.3.2 試驗結(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
附錄



本文編號：3763298