文摘
英文文摘
1 引言
1.1 杂草种子分类方法简介
1.2 杂草种子鉴定识别的意义
1.3 杂草种子识别的国内外研究现状
1.4 杂草种子机器识别的难点
1.5 主要工作与内容安排
2 杂草种子图像特征选择和图像识别系统设计
2.1 图像采集
2.1.1 图像命名
2.1.2 体视显微镜
2.1.3 拍照
2.2 杂草种子生物学特征分析
2.2.1 豆科类杂草种子生物学特征分析
2.2.2 豆科类杂草种子生物学特征描述
2.3 杂草种子分类学研究
2.4 豆科类杂草种子机器识别特征选择依据
2.5 杂草种子形状特征视觉不变性的研究
2.6 杂草种子图像特征
2.7 杂草种子图像识别系统设计
2.8 杂草种子图像数据库设计
2.8 系统平台实验结果
2.9 本章小结
3 杂草种子图像预处理与形状特征提取
3.1 杂草种子图像分割
3.1.1 常用的图像分割方法在杂草种子图像分割中的应用
3.1.2 杂草种子图像特点与图像分割算法的对应关系分析
3.2 脉冲耦合神经网络模型
3.2.1 对PCNN对图像分割和二值图像输出工作机理
3.2.2 PCNN在杂草种子图像分割与二值图像输出的可行性分析
3.2.3 PCNN对图像分割效果实验分析
3.2.4 PCNN参数选择的主要方法
3.3 改进PCNN及图像分割
3.3.1 简化PCNN参数和模型结构
3.3.2 优化PCNN参数
3.4 实验结果分析
3.5 数学形态学处理
3.6 噪声处理
3.7 杂草种子的形状特征计算
3.7.1 几何参数计算
3.7.2 特征参数计算
3.7.3 不变矩特征
3.8 杂草种子形态特征实验结果与分析
3.9 使用BP神经网络评估特征维数与识别率的关系
3.9.1 BP网络拓扑结构设计
3.9.3 实验结果
3.9.4 实验结果分析
3.10 支持向量机(SVM)提高识别率
3.10.1 SVM核函数参数的选择和实验结果
3.10.2 SVM实验结果分析比较
3.11 主成分分析(PCA)和核主成分分析(KPCA)方法验证特征之间冗余度
3.11.1 主成分分析(PCA)方法
3.11.2 核主分量分析(KPCA)方法
3.11.3 实验结果与性能分析
3.12 粒子群算法聚类分析
3.12.1 粒子群算法对豆科杂草种子聚类分析算法
3.12.2 粒子群算法的聚类算法实验结果及分析
3.13 本章小结
4 基于自组织-时滞神经网络对残缺遮挡杂草种子的识别
4.1 基于轮廓的形状表示与描述
4.1.1 基于递归的边界分裂的多边形表示
4.1.2 杂草种子形状的局部多边形特征描述
4.2 基于局部特征的形状匹配方法
4.2.1 自组织-时滞单元混合网络的结构
4.2.2 自组织-时滞单元混合网络网络的学习算法
4.3 残缺杂草种子识别过程
4.4 实验结果与分析
4.5 本章小节
5 总结与展望
5.1 总结
5.2 展望
参考文献
附录
致谢
个人简历、在学期间发表的学术论文与研究成果