一、小麦群体图像高产智能诊断知识库的构造方法（论文文献综述）
洪苗[1]（2021）在《设施黄瓜生产过程数字化系统研究》文中研究说明产业数字化为推动农业生产管理现代化提供了契机和手段,对我国农业产业健康、高效及可持续发展起着十分重要的作用。生产过程数字化可将传统的以“经验”为核心转化为以“数据”为核心的生产管理模式,以便为作物创造更适宜的生长条件,从而提高作物生产能力。当前作物种植管理缺乏规范性指导,环境因素难以精准调控,导致种植管理的标准化程度较低,种植管理水平参差不齐,产量和品质差异较大,经济效益得不到保证。为提高设施黄瓜精细化管理能力,开展设施黄瓜生产过程数字化研究,拟通过黄瓜生产过程的数字化实现黄瓜生产过程的标准化,提升设施黄瓜生产管理能力和水平。具体研究内容如下:（1）基于主要环境因子的设施黄瓜生长模型研究设施黄瓜长势特征提取及环境因子影响程度分析是建立生长模型的基础。通过主成分分析-岭回归组合模型分析方法,研究基于温度、光照强度及湿度等主要环境因子的设施黄瓜生长模型。黄瓜的生长特征参数包括叶面积、株高及茎粗等,通过主成分分析以及权重分析发现,叶面积是描述黄瓜长势的重要特征参数,能显着反映黄瓜不同生长时期的长势特征。进一步通过岭回归构建的生长模型分析,发现不同环境因子对设施黄瓜不同生长期长势的影响差异较大:苗期影响黄瓜生长变化的主要环境因子依次为光照、温度和湿度,初花期依次为温度和光照,果期依次为光照、湿度和温度。黄瓜长势特征提取和各生长期主要环境影响因子排序为后续黄瓜生产过程数字化研究奠定了基础。（2）设施黄瓜生产过程数字化研究将黄瓜生产过程划分为苗期、初花期及果期,借助矩阵构建不同生长期的生产管理数字化模型,实现设施黄瓜生产过程数字化。首先构建设施黄瓜生产过程管理数字化方案,以知识类别形式将各时期生产管理划分为环境数字化调控、病害数字化预防及日常农事数字化管理。在此基础上建立不同时期的知识库,同时采用产生式规则法与专家知识相结合的方式推断出不同生长时期具体的生产管理细则,并形成生产管理决策知识规则库。最后依据知识库和规则库相关知识,以矩阵形式建立不同生长期不同生产管理指标的判断矩阵。在判断矩阵构建基础上建立生产管理种植模型和操作模型,并以矩阵乘法为对应元素相乘为规则建立生产管理数字化模型,实现设施黄瓜生产过程的数字化,为设施黄瓜标准化种植管理提供支持。（3）设施黄瓜生产过程数字化系统开发为打破生产信息管理落后问题,助力设施黄瓜生产过程数字化管理,通过集成数据采集、数据存储、数据分析及数据可视化技术,并结合长势特征分析和生产管理数字化模型实现系统的总体构架及功能设计,实现了设施黄瓜产前、产中、产后等生产全过程的信息采集、存储和处理。为提高系统的简便易用性,将生长模型和生产管理数字化模型以友好可视化形式进行展示,可为设施黄瓜产业从业者提供便利、周到和及时的服务。
王苏园[2]（2021）在《基于Android的小麦生长信息监测系统设计与开发》文中认为小麦是我国主要粮食作物之一,保障小麦产量是重要的课题之一。对小麦生长过程中相关信息进行监测,可以反应其长势情况,以便及时对农业生产相关措施做出调整,提高小麦产量和品质。在互联网技术和农业高度结合的今天,市场上涌现了很多作物生长监测工具和监测方法。具有时空间优势的卫星遥感技术的运用可实现大面积监测,但受天气等因素影响较大,而基于RGB图像进行生长信息监测的方法可以实现对特定时间空间的快速监测,产生了许多具有参考性的作物模型。由于新型监测技术运用时间较短,模型研究过程复杂,目前缺乏统一的模型集成,且Andorid平台具有方便,受众好等优点。基于此,本文通过总结近年的基于图像的作物生长信息监测模型,并结合Android平台技术,集成常见的辅助小麦生产的知识,建立开发了基于Android的小麦生长信息监测系统雏形。本文的工作内容主要有:（1）收集整理了课题组内外关于小麦生长信息监测的相关论文,并结合Android相关技术,通过软件测试模型预测值并对比生长信息实测值,筛选适合的监测模型,分别为特定生育时期小麦的叶面积指数模型、叶绿素含量模型、生物量模型以及预估小麦产量模型。（2）通过无人机平台搭载RGB相机采集小麦图片,对图片进行去噪,拼接等操作提高图片质量,其次提取图片的纹理指数和颜色指数,通过与测量小麦真实参数得出的数值进行相关性分析,选择拟合度较好的几个指数进行多元分析,并进行对比实验,并验证得出最佳模型。将得出的模型结合Android平台,设计并实现了小麦生长监测系统,将模型运用到更广泛的场景。通过Android平台的便携性和普及性可以更好的帮助农户进行农业生产指导,并可以为模型的验证和后续的模型改进提供数据借鉴。（3）通过爬虫技术摘取官网上每年新发布的小麦新品种审定报告,通过展示新品种的名称、品系关系、品种特性、产量表现、栽种技术要点、相关部门审定意见让用户更直观、更全面的认识并了解新型小麦品种,可根据栽培技术要点选择更加适宜当前地区和高抗性的小麦品种,从而提高产量。搜索了常见的小麦病虫害,分别从病害的图况,发作特征,危害程度,防治方法等方面阐述,旨在帮助用户增加对常见病害的了解,储备相关知识,及时的识别和自我诊断,减小病害带来的危害。
井福荣[3]（2020）在《作物种质资源大数据体系研究》文中研究表明随着生物技术的快速发展和数据获取方式的多源化,作物种质资源研究领域产生了大量的结构化、半结构化和非结构化数据,作物种质资源迈入了大数据时代。大数据技术在海量异构数据处理方面具有绝对优势,通过对数据高度自动化的分析,做出归纳性的推理,从中挖掘出潜在的模式和规则,为社会提供更具价值的信息。虽然近年来我国部分学者逐渐意识到建设作物种质资源大数据的重要性,然而作物种质资源大数据相关概念尚需界定与明晰,作物种质资源大数据体系及其内容尚待建立与实施。因此,本文基于作物种质资源大数据的研究现状,对作物种质资源大数据体系构建进行了一定的理论探索与实践创新,旨在为进一步推动作物种质资源大数据建设提供理论依据和应用借鉴。本文研究工作主要包括以下几个方面:（1）构建了作物种质资源大数据体系总体框架。提出了基于大数据和作物种质资源的体系构建依据,制定了适用性、系统性、兼容性等8项体系建设原则,提出了以“基础-目标-过程-保障”为主路线的作物种质资源大数据四维要素结构,包括作物种质资源业务需求、大数据技术、数据加工和标准规范等,确定了体系构建的边界与内容,设计了作物种质资源大数据体系的总体框架。（2）详细设计了支撑体系。基于作物种质资源大数据体系总体框架,按照先总体后局部、逐层递进的设计思想分别对标准规范体系、数据体系、管理体系、安全体系等进行了详细设计,丰富了体系的内容。制订了作物种质资源大数据6类标准规范体系框架,确立了数据体系的数据分类、编码规范和交换共享等内容,设计了基于管理团队建设、数据管理和系统运维等多维度的管理体系,建立了安全体系,确保了大数据系统安全可靠运行。（3）设计了技术/工具子体系。以作物种质资源大数据加工要素为依据对技术体系进行设计,针对作物种质资源数据采集技术,提出了二次数据采集技术方案,明确了预处理技术,提出了基于云技术的混合数据存储技术方案,设计了分析技术框架和适应于作物种质资源数据展示的可视化技术体系,并结合技术体系设计了平台/工具框架。以获取小麦单位面积穗数为例开展实证研究,改进了麦穗图像的采集方法,标注了约一万个样本用于训练,优化了深度学习目标检测算法的参数,结果表明该麦穗检测模型的F1评价指标大于0.91,接近实用效果,验证了技术体系设计的可行性。（4）设计了应用子体系,构建了知识图谱。提出了应用子体系构建原则,结合作物种质资源研究业务需求和用户群体将应用子体系分成基础性工作、基础研究和应用基础研究等三部分,设计了应用体系与技术体系之间的对接方案。以构建作物种质资源知识图谱为例开展实证研究,设计了以作物种质资源为中心的知识图谱模式层,借助Protégé软件构建知识图谱数据层,提出了基于知识图谱的数据扩展方法,获取到与作物种质资源相关的社会学基础数据,构建出基于图结构的知识图谱可视化界面,验证了应用体系设计的合理性。综上所述,本文提出了作物种质资源大数据体系建设的依据、原则和要素,设计了大数据体系总体框架,并分别从理论、技术和实践三个层次对框架中的两个核心子体系—技术/工具子体系、应用子体系进行了详细的阐述和分析,阐明了作物种质资源大数据建设主体、应用技术和发展方向,对未来作物种质资源大数据建设具有重要理论和应用价值。
李洁[4]（2019）在《数据驱动下数字图书馆知识发现服务创新模式与策略研究》文中提出我们已经从信息时代走进了数据驱动的“智能时代”,数据成为人们认识和解决问题的新的逻辑起点。“数据驱动”打破了基于知识解决问题的思维桎梏,形成了从问题到数据又回归问题的新方法论认识——基于数据解决问题。这一研究范式将数字图书馆知识发现服务从对问题本源的探索推向知识服务的本真,可以说,从数据直面用户、管理和服务为大数据环境下的数字图书馆知识发现服务供给侧的改革提供了一种新思路:知识发现服务要改变的不只是管理技术、管理规则或服务形式,而要涉及整个管理理念和服务体系。而大数据环境中,数字图书馆信息发生源越来越多,数据产出量越来越大,数字资源增长速率越来越快,数据异构性越来越明显,数据老化节奏越来越快,低价值密度隐患的知识饥渴和数据海啸的矛盾越来越突出,用户对发现服务的需求越来越多元,数字图书馆数据资源正面临着重新被发现的挑战。迎面变化和挑战,数字图书馆的知识发现服务不单要完成从文献数字化到内容数据化的知识组织转型,更应实现数字资源从内容数据化到数据智能化的价值开发和智慧洞见。数据驱动的科研范式开辟了知识发现的新路径,开启了数字图书馆知识服务的时代新转型。探索数据驱动理念下的数字图书馆知识发现服务模式的新形态,需要学习、内化数据科学相关理论,需要剖析知识发现的驱动要素和作用机制,需要打破传统的资源发现固化模式,创建知识发现服务的创新生态功能圈。融合数据驱动和知识发现的双重技术优势,数字图书馆知识发现服务创新模式应趋从数据化、数据向知识转化的语义关联、可视化和智能化驱动维度寻求用户数据、内容资源数据、专家数据、业务数据的新协同,开发用户画像、研究设计指纹、精准文献推荐等的新应用,强化数据的集群整合、提升平台的绿色联通、实现用户界面的友好交互,使数字图书馆成为支持用户知识探索与发现创造的智能服务系统,使数据资源最大化的进行价值开发与知识转化,使用户随时随地都能受益于数字图书馆高效、便捷、友好与智能的知识发现服务体验。基于此,本文通过对数据驱动、知识发现研究成果的追本溯源,界定数据驱动下的数字图书馆知识发现服务的核心理念;通过文献分析、调查访谈、仿真实验、模型训练等方法的综合运用,分析数字图书馆知识发现服务创新的数据环境、驱动机制、创新模式、模式应用以及创新策略制定。围绕主要研究内容,本文第三章从数据环境特征、数据环境变化和数据环境开发分析数据驱动下的数字图书馆知识发现服务的机遇与挑战;第四章结合数据要素、数据驱动过程、数据驱动维度探讨数字图书馆知识发现服务的数据驱动动力机制、流机制、协同驱动机制和数据驱动控制机制;第五章通过对数字图书馆知识发现服务模式创新衍变的内在使命分析,指出数字图书馆知识发现服务创新模式的构建依据、构建基础和构建过程;第六章对数字图书馆知识发现服务创新模式进行具体的用户画像、研究设计指纹、文本推荐和多粒度检索决策应用;第七章针对数字图书馆知识发现服务创新模式的具体瓶颈给出各驱动维度的应对策略。具体内容阐述如下:第3章数据驱动下数字图书馆知识发现服务的数据环境分析本章是对大数据驱动环境下的数字图书馆知识发现服务场域的情境解构。首先,基于大数据的4V特征,面向全数据,分析数字图书馆知识发现服务在数据形态、存在方式、存储模式、存储内容、数据价值等方面的特性。其次,探讨数据化、新一代信息技术、数据分析思维、数据密集型科学发现范式影响下的数字图书馆知识发现服务革新的优劣利弊。最后,基于环境特性和环境变化的双向作用状态定位数字图书馆知识发现服务发展的开发方向。明确本文研究目的的同时,引出4、5、6、7章节的主要研究任务。第4章数字图书馆知识发现服务创新的数据驱动机制分析本章作为第5章的铺垫,详细解析数字图书馆知识发现服务平台的数据要素和驱动作用形式。通过用户数据、资源内容数据、专家数据的分类界定,为第6章科研用户画像、研究设计指纹、精准文献推荐等的服务模式应用提供数据基础;通过数据化、语义关联、可视化、智能化的数据驱动维面的层级解构,为第7章的创新策略制定奠定优化主线;基于数据要素、驱动过程和驱动维面,从内外力作用的动力机制、输入-输出的流机制、数据融合的协同驱动机制以及数据驱动控制机制具体呈现数据驱动与知识发现服务交互融合的催化反应。第5章数据驱动下数字图书馆知识发现服务创新模式研究在前文研究的基础上,本章首先对数据驱动下数字图书馆知识发现服务创新模式的构建进行内在逻辑分析;其次,从资源发现既有模式、知识产品和技术支持方面阐述实现数字图书馆知识发现服务创新的外在基础;最后,综合内在逻辑和外在基础,进行创新模式的基础框架和平台架构的初步解构,并在此基础上进行数据驱动下的数字图书馆知识发现服务创新功能圈构建。第6章数据驱动下数字图书馆知识发现服务创新模式应用研究本章在第5章提出的创新模式的基础上,分别利用科研用户数据进行数字图书馆百度发现的科研用户画像构建,利用文献数据进行以研究对象、研究问题与研究方法为核心要素的研究设计指纹构造,结合用户画像和研究设计指纹实现精准文献推荐,并通过用户检索实验验证多粒度检索决策的优势。第7章数据驱动下数字图书馆知识发现服务创新策略研究基于第4章对数据驱动维度和驱动机制的分析,本章旨在明确数据化、语义化、关联化、可视化和智能化驱动的创新方向并进行相应的优化路径设计,针对数字图书馆知识发现服务创新的制约因素,给出切实可行的解决方案与对策建议。大数据环境下,重新界定数据驱动下的数字图书馆知识发现服务的内涵、探讨数字图书馆知识发现服务的数据驱动机制、创新数字图书馆既有的资源发现服务模式,有利于从方法论认识层面为数字图书馆知识发现服务的供给侧改革提供理论支持。数字图书馆知识发现服务的意义不仅在于它的统一检索及其延伸功能,更在于此基础上辅助科学发现的循证决策、智能管理和知识再造的服务价值。在人类不断探索未知与努力认识未知的道路上,数据驱动+知识发现的催化反应为科学发现的方法探索提供了一个可行参考,推动着数字图书馆知识发现服务在不断革新的历程中惠及更多的求知受众。
张延发[5]（2019）在《基于智能手机的稻麦周年机械化优质高产决策支持系统研发》文中研究指明稻麦周年生产是江苏省最重要的轮作模式。实现稻麦周年农艺农机信息融合生产是江苏农业高质量发展的重要课题。本文针对稻麦周年机械化优质高产信息化、智能化决策平台乏缺的现实需求,以扬州大学研创的多项稻麦栽培技术成果为基础,以 JavaScript 和 CSS 为开发语言,基于 AppWorker Studio、Dreamweaver 8.0、Photoshop CS6等软件平台,在系统分析、模型创建、数据收集、文本转码等前期准备条件下,经UI构造、UI贴图、页面设计、后台编译等步骤,分别开发出了基于智能手机的土壤知识库、稻麦品种数据库、农机装备数据库、病虫害数据库、自主学习知识库、水稻栽培决策子系统与小麦栽培决策子系统等,实现了数据、知识查询利用和决策支持的便捷化与即时性,为稻麦周年机械化优质高产提供了信息化平台支撑。主要研究结果如下:（1）以稻麦叶龄模式、群体质量、精确定量栽培技术体系等成果为知识支持,分别构建了水稻机插基本苗确定、精确施肥、节水灌溉和小麦机条播基本苗确定、精确施肥、冬前茎蘖数预测等计算机模型,构成了决策支持模型库。基于AppWorker Studio、Dreamweaver 8.0等软件平台,将模型编译成系统可读写的函数方法,并植入至平台的后台数据库,结合前端界面设计,架构了稻麦栽培决策子系统体系。（2）将收集整理归纳的数据信息转变成可视化的知识库与数据库,包括土壤知识库、自主学习知识库、稻麦品种数据库、农机装备数据库、病虫害数据库等,丰富了基于智能手机的决策支持系统内容体系,利于用户即时即地自主学习。（3）在前述研发基础上,依托AppWorker Studio平台,将水稻和小麦栽培决策子系统与多个知识库、数据库集成融合,研发出了多库型智能决策支持系统,获得国家版权局计算机软件着作权。经姜堰区农业农村局等用户试用,系统即装即用,便于携带,易于使用,数据信息知识丰富,是稻麦周年机械化优质高产决策支持与自主学习的有效平台。
张明[6]（2018）在《基于计算机视觉技术的马铃薯病害识别研究》文中指出马铃薯是一种重要的粮菜兼用型农作物,成为继小麦、稻谷和玉米之后的又一主粮,其适应性强、产量高、营养丰富,不仅是世界粮食市场上的一种主要食品,而且也是重要的工业原料,极具开发价值。我国是马铃薯生产的第一大国,甘肃省以其独特的自然资源、农田气候和环境资源,已经成为马铃薯的主要产区之一,种植面积和产量均居全国第一位,促进了全省马铃薯产业的蓬勃发展,是农业增收、企业增效、农民致富的重要途径。我国是一个农业大国,也是一个农业病虫害多发的国家,不仅种类繁多、分布广泛,而且成灾条件复杂。马铃薯病害一直都是制约其可持续发展的主要因素之一,在造成经济损失的同时,还会造成环境污染和食物污染,也会对人类食品安全造成威胁。为了解决马铃薯病害发生严重、产生分散、病虫害专家缺乏等问题,帮助基层技术人员和广大种植用户及时准确地诊断马铃薯病害、把握发生动态、指导开展防控和防治工作,在计算机视觉技术的基础上,结合智能优化算法和深度学习算法,针对马铃薯病害图像的自动识别问题开展了一系列的研究,主要工作如下:（1）分别于2015年和2016年的7月至9月间,在甘肃省马铃薯的主要种植区域定西市的“国家现代化农业示范区马铃薯模式化攻关—定西市安定区香泉镇示范基地”以及定西市的临洮县、康乐县、岷县、渭源县、漳县和陇西县进行马铃薯病害图像的采集工作,重点采集了马铃薯叶部的病害图像。然后采用计算机视觉技术,在Adobe Photoshop CS6 x64简体中文版软件中对采集到的图像进行图像裁剪、调整图像分辨率的预处理,在MathWorks MATLAB R2016a x64简体中文版软件中采用编程的方式进行图像灰度化、灰度图像中值滤波和彩色图像中值滤波的预处理。（2）在研究OTSU阈值分割算法和SFLA智能优化算法的基础上,将OTSU算法简单高效的特点与SFLA算法高效的计算性能、不易陷入局部最优、优良的全局寻优能力、易于实现的特点相结合,首次提出了一种新的基于混合蛙跳算法的OTSU阈值分割算法（OTSU-Shuffled Frog Leaping Algorithm,简称OTSU-SFLA算法）。首先对预处理好的马铃薯病害图像进行灰度化处理并且计算其直方图,然后采用OTSU算法根据直方图对病害图像进行基础分割,最后将OTSU算法的分割结果作为SFLA算法的优化起点,在OTSU算法分割的基础上,利用SFLA算法强大的寻优能力与计算能力做进一步的分割优化,在MathWorks MATLAB R2016a x64简体中文版软件中采用该算法进行编程,从复杂马铃薯病害图像中成功地获取了病斑区域,实现了图像病斑的准确分割。同时,在该算法中首次提出了图像分割紧凑度的概念和具体的计算方法,并且将图像分割紧凑度与交叉熵的加权和作为该算法的适应度函数,在OTSU-SFLA算法中引入该适应度函数后,不仅算法收敛速度快,而且还不易陷入局部最优。（3）在研究人工神经网络和深度学习算法的基础上,充分利用卷积神经网络在计算机视觉方面的优秀性能以及其强大的建模能力、特征学习能力和模式识别能力,基于Caffe开放框架构建了一个13层的基于深度卷积神经网络的马铃薯病害识别模型,由1个输入层、5个卷积层、3个池化层、2个全连接层、1个Softmax层和1个输出层所组成,ReLU函数作为其激活函数,该模型把特征提取直接纳入到模型的学习训练之中,将病害图像的特征提取和分类识别有机地进行了组合。将OTSU-SFLA算法分割之后的二值图像还原为彩色图像,然后将其分成两组样本,一组样本中的每张图像每45度逆时针旋转一次,共旋转7次,在原样本基础上扩大8倍后对模型进行了训练和参数调整;另一组样本对模型进行了识别测试,平均正确率为95.17%,较好地实现了马铃薯病害图像的特征提取和病害识别。
赵东[7]（2017）在《基于群智能优化的机器学习方法研究及应用》文中提出当前,机器学习技术已广泛应用于工业、农业、交通、环境等各个领域。特别在农业生产领域,由于农业信息化和精准农业的推广和实施,农业生产数据不断迅速增长并大量积累,这大大增加了对信息技术的需求,尤其对机器学习技术的需求更加显着。然而,由于农业生产问题的复杂性,对决策问题直接采用传统的机器学习方法往往达不到理想的效果,因此如何构造最优的基于机器学习的农业智能决策方法是当前亟待解决的问题。本文重点研究利用群智能优化技术对现有若干机器学习技术进行改进,构建基于机器学习技术的农业智能决策新方法,进而将这些新方法用于解决实际农业生产问题。我们首先对随机森林、多目标聚类、支持向量机和核极限学习机等方法在计算精度、适用性和稳定性方面存在的问题进行了探讨,提出了三维混沌果蝇优化技术、改进粒子群优化技术、改进灰狼优化技术和多种群灰狼优化技术,然后分别对上述机器学习方法进行改进,进而提出三维混沌果蝇优化的随机森林预测模型、改进粒子群的动态多目标优化诊断模型、改进灰狼优化的支持向量机诊断模型、多种群灰狼智能演化核极限学习机预测模型,分别用于水稻的虫害预测、病害诊断、缺素诊断和产量预测,较好地解决了水稻生产决策难题。具体说明如下:（1）针对随机森林模型预测过程受其参数影响的问题,提出一种三维混沌果蝇优化的随机森林预测模型。首先,将原始果蝇优化算法从二维搜索空间扩展到三维空间,同时引入混沌理论对种群进行初始化操作,避免陷入局部最优,提出一种改进的三维混沌果蝇优化算法。选取多个测试函数进行实验仿真,实验结果表明,提出的方法与原始的果蝇优化、粒子群优化等群智能算法进行对比,不仅解的质量更好,在收敛速度方面也更快。然后,我们将该算法引入到随机森林模型中,利用三维混沌果蝇优化算法对随机森林进行训练,从而建立最优的计算模型。最后,将该方法在水稻虫害数据集上进行测试,并与其它算法进行对比。实验结果表明,该模型具有更好的预测精度,能更有效的实现水稻虫害的预测。（2）针对机器学习方法在单目标粒子群优化中解的局限性问题,提出一种改进粒子群的动态多目标优化诊断模型。首先,对原始粒子群算法进行改进,包括环境变化因子、惯性因子和变异因子的改进。然后,将该方法与动态多目标技术结合,选取两个聚类方法作为目标函数,采用背景差分法设计环境变化因子及规则,建立了改进粒子群的动态多目标优化诊断模型,从而实现图像识别算法的优化。最后,对预处理的水稻病害图片进行特征提取后,应用该模型对病害特征集测试,并与其他方法进行了对比。实验结果表明,该模型可获得数量多、质量高且分布均匀的帕累托（Pareto）解集,较之单目标方法有更高的病害识别精度。（3）针对支持向量机的模型选择问题,提出一种改进灰狼优化算法的支持向量机诊断模型。首先,在灰狼优化中引入新的种群初始化机制,为灰狼优化生成更合适的种群位置,使之避免陷入局部最优,获得更好的解,并提高算法的收敛速度。在多个单峰和多峰函数上对该算法进行了测试,结果表明,改进灰狼优化算法在解的质量及收敛速度上都优于已有的灰狼优化算法。然后,我们将该策略引入到支持向量机中,对该模型中的惩罚因子和核宽进行动态选择和调整,从而得到最优识别模型。最后,利用该模型对水稻缺素情况进行诊断。实验结果表明,该模型识别准确率超过95%,识别精度优于基于原始灰狼优化的支持向量机方法、基于网格搜索的支持向量机和神经网络方法,实现了水稻缺素问题的精准决策。（4）针对核极限学习机在预测问题中受关键参数影响的问题,提出一种利用多种群灰狼智能演化核极限学习机的预测模型。首先,充分利用多种群智能演化方法的优势,将灰狼算法的种群和搜索空间同步多元化,并采用精英机制在多个种群中进行信息共享,从而获得全局最优解。然后,我们将该策略引入核极限学习机中,对该模型中的惩罚系数和高斯核宽进行动态调整,从而建立最优的预测模型。最后,对水稻产量数据进行测试,实验结果表明,与基于原始灰狼优化的核极限学习机、支持向量机以及神经网络等方法对比,该模型不仅提高了水稻产量的预测准确率,还获得了更稳定的预测结果。这意味着本文提出的水稻产量预测模型能够较好的对粮食产量进行预测,可作为农业生产中一种重要的辅助决策工具。
刘涛[8]（2016）在《基于图像分析技术的小麦群体农学参数获取与群体质量评价研究》文中提出目前,随着现代信息技术与农业产业的深度融合,农业生产将变得更加智能化,这将是我国现代农业发展的必然趋势。本文提出的基于图像分析技术的小麦群体农学参数智能获取与群体质量评价研究正是在这种现代农业发展的背景下展开,探求一套可以实现小麦生产智能化和管理高效化的新方法。研究以小麦生育进程为主线,探明了小麦苗期、越冬期、拔节期、孕穗期和成熟期主要农学参数的测算方法,并建立了小麦群体质量的评价模型,完成了小麦主要农学参数智能获取和群体质量智能化评价系统。研究结果可以为小麦物联网中的智能监控系统提供技术支持和理论依据,亦可为开发基于移动终端的智能田间测量和评价软件提供参考。主要研究结论如下：（1）构建了大田环境下苗期麦苗智能计数的方法。这部分内容建立了基于图像分析技术的野外环境下的麦苗智能计数方法,探明了大田环境下麦苗计数的原理,并验证计数方法在不同密度和品种条件下的适应性。研究选取5个不同株型品种和5种不同密度的小麦苗期图像作为研究对象,利用数码相机垂直获取图像,并利用超绿特征值（ExG）将小麦从背景中分离。分析了不同重叠麦苗区域的特征参数,建立了一种基于链码的骨架优化方法,并利用新骨架特征值提出了重叠区域麦苗计算公式。研究对5种不同播种密度的5个小麦品种共计250张图像进行计数测试,结果发现本研究提出的麦苗计数方法能够较好的对野外麦苗进行计数,平均计数准确率达89.94%,135×104株ha-1密度样本的计数准确率达到97.14%,在所有密度中最高,扬糯麦1号品种计数准确率达92.54%,在所有品种中最高。麦苗计数方法平均准确率89.94%,最高准确率达到99.21%,不同密度样本计数准确率之间达到了显着差异,而品种之间的差异没有达到显着水平（P<0.05）。在田间苗数为120×104株ha-1至240×104株ha-1时本方法能够得到92%以上的准确率,说明本文设计的方法在麦苗计数上是可靠的,可为田间麦苗智能计数的研究提供理论依据,同样能移植到如水稻等禾本科作物的苗数智能计算上。（2）建立了越冬、拔节和孕穗期主要农学参数的估算模型。本研究拟利用图像分析技术建立小麦干物重、叶面积指数、茎蘖数和氮素积累量的估测模型,为这些农学参数的快速测量提供理论支持。通过不同的密度和氮肥施用量来构建具有不同农学参数的小麦群体,自群体越冬始期利用数码相机垂直获取冠层图像。研究通过超绿特征值（ExG）+自适应阈值分割（Ostu）的方法去除麦田耕地背景的影响,并用图像中小麦像素数占总像素数的比值表示盖度,另选取8种主要的图像特征算法提取图像的颜色和纹理特征,利用斯皮尔曼相关分析方法分析9种特征与不同时期农学参数的相关性。利用多元逐步线性回归方法建立基于图像盖度、颜色和纹理特征的农学参数估测模型。研究结果显示,本文提出的多元线性农学参数估测模型提高了单一参数模型的模拟精度,建立的4个模型对干物重、叶面积指数、茎蘖数和氮素积累量的预测效果较好,均具有较高的R2值,较低的RMSEP和REP。对于模型构建数据集的四个农学参数预测,R2值在0.77至0.91,REP值在15.46%至22.53%；验证数据集的R2值在0.72至0.85,REP值在17.31%至21.26%。本研究提出的多元农学参数估算模型能够较准确的估测出小麦群体的干物重、叶面积指数、茎蘖数和氮素积累量的值。（3）设计了成熟小麦穗数的智能化计算方法。为了实现不同播种方式下固定区域小麦穗数的智能计算,设计了一种利用图像分析技术实现大田麦穗快速计数的方法,着重分析了利用颜色特征和纹理特征分割麦穗的优缺点和粘连区域麦穗个数的计算方法。通过对撒播和条播多个样本图像进行计数实验,准确率分别为95.63%和97.07%。本研究结果说明,利用颜色特征和纹理特征均可以将麦穗从复杂的背景中提取出来,并可以通过形态学的腐蚀和膨胀以及孔洞填充算法得到麦穗的主要区域,然而利用颜色特征提取麦穗的速度远高于利用纹理特征提取。麦穗二值图像骨架的Harris角点能够较好的反映粘连区域的麦穗个数,Harris角点检测算法可以用于解决麦穗计数时粘连区域麦穗个数计算。本研究提出的麦穗计数方法在撒播小麦和条播小麦上的平均准确率分别为95.63%和97.07%。本研究提出的麦穗计数方法在不同品种上的平均高于95%,且麦穗计数结果在不同品种之间没有显着差异,说明该大田麦穗计数方法较为可靠,可以为大田麦穗的智能化计数提供有效的参考。（4）构建了基于BP神经网络的小麦群体质量评价模型。智能化地评价群体质量对于小麦智能化生产和快速制定栽培管理方案具有积极意义,完成群体质量评价模型的构建需要进行两部分工作：1)探明不同产量群体在不同生育期里表现的农学特征,明确高产群体在不同生育期的农学参数表现；2)构建不同生育期的小麦群体群体质量评价标准和评价模型。在第一部分研究中,试验选择扬糯麦1号为供试品种,采用二因素随机区组试验来构建不同结构的群体,设五个种植密度水平,四个氮肥施用量水平,重复两年。研究结果如下：1)探明了产量随种植密度变化的趋势和高产群体的种植密度范围；2)探明了越冬、拔节和孕穗期干物重、叶面积指数、茎蘖数、氮素积累量的变化对产量的影响和这4个农学指标在不同产量群体的区间；3)探明了产量随穗数的变化趋势和高产群体的穗数范围。这部分研究是群体质量评价的依据。依据前面所探明的苗数、干物重、叶面积指数、茎蘖数、氮素积累量、麦穗数与产量的关系,构建了基于这些农学参数的小麦群体质量评价模型。研究中通过K-means聚类算法对群体等级进行划分,以产量为标准划分各个时期的级别,同时基于这些农学参数的模拟值构建了用于评价小麦群体质量的BP神经网络模型,各个时期评价的依据分别为：1)苗期,以苗数为依据评价群体种植密度的合理性。2)越冬、孕穗和拔节期,以干物重、叶面积指数、茎蘖数和氮素积累量为依据,综合对这几个时期的群体质量进行评价。3)成熟期,以穗数为依据,判断群体穗数的合理性并对产量进行预测。研究解决了对小麦群体质量评价中各个农学参数与群体质量的非线性映射关系以及各个指标贡献率的问题。研究结果显示,研究中构建的群体质量评价模型在对苗期、越冬期、拔节期、孕穗期和成熟期的群体质量进行评价时,得到了较高的R2值和相对较低的RMSE值,说明模型可以用于评价小麦各个生育期的群体质量。该模型是后期开发群体质量评价系统和栽培决策的核心组成,亦可为其他作物群体质量评价提供一定的参考。（5）小麦群体农学参数测量与群体质量评价软件系统的构建。软件系统的构建是将此前提出算法的具体实践,是将小麦群体智能评价方法实用化的有效途径。本系统基于C/S的三层结构来开发,使用Microsoft Visual Studio 2013开发平台,MATLAB2014a图像处理和计算机视觉工具箱,SQL Server2013数据库完成开发。软件系统实现了麦苗计数和麦穗计数,越冬、拔节和孕穗期的茎蘖数、叶面积指数、干物重和氮素积累量的估测,以及各个生育时期群体质量的评价以及产量的预测。系统预留模型参数调节、品种群体质量标准添加接口和高产栽培方案添加接口,为后期在不同品种上的应用提供支持。本系统可为开展小麦田间智能感知和栽培决策的研究与应用提供一定的参考。
仇红[9]（2014）在《水稻机插精确定量栽培专家系统研究与开发》文中研究指明水稻机插作为一种机械化、轻简化栽培方式,是江苏水稻栽培现代化、规模化发展的必然趋势,具有研究与应用的现实意义与必要性；同时,运用现代信息技术装备水稻机械栽插种植,是提高机插水稻产量、品质、效益的必由之路。本文运用软件工程原理与方法,采用面向对象可视化技术和模块化设计思想,综合运用ASP技术、B/S体系结构、Access数据库、Adobe Dreamweaver CC（?）Visual Basic、Javascript语言等,分别开发出适于生产应用的基于VB的水稻机插精确定量栽培决策支持系统、基于ASP和Access的水稻机插精确定量栽培在线专家系统等。其可成为水稻生产从业人员学习、职业农民培训、农机农技人员生产指导、专家在线诊断等的信息化优质辅助平台,是推广应用水稻机插精确定量栽培技术的信息服务帮手,具有较好的生产应用价值,对推进知识型稻作、信息化农业具有重要的理论意义和实用价值。本研究很好地为国家粮食丰产科技工程江苏水稻项目提供机械化信息化服务,具有研究的前瞻性和创新性。1、在明确农业专家系统基本架构的基础上,本研究重点阐述知识库、数据库、模型库的构建及知识表示方法和推理机的设计。本研究构建的知识规则集成水稻精确定量栽培新理论和新技术,具有专业性与权威性。合理的基本苗、施肥、灌溉等模型和参数是实施水稻机插精确定量栽培技术,进行精确定量决策的核心内容。本文在课题组多年科学理论研究和高产创建实践的基础上,结合水稻叶龄模式、群体质量、精确定量栽培技术体系等理论成果,通过明确模型构建基本思路、确定模型构建方法、明晰数学模型和参数来由,构建了机插水稻精确基本苗求算、合理施肥、节水灌溉、病虫防治等的模型系统。经生产实践检验和校准,参数设置合理、可靠,决策依据充分。2、本文基于水稻机插高产精确定量栽培技术等成果,采用Visual Basic、Access数据库等技术,通过集数据部件、模型部件、知识部件、人机交互部件等为一体,经系统分析、程序设计、程序实现与调试等流程,开发出了水稻机插精确定量栽培决策支持系统。该系统具有可用性、可靠性与易用性等特点,可以实现基础数据查询、辅助决策支持、关键技术指导、机械使用指南服务和专家知识获取等多种功能,较为全面地反映了水稻精确定量栽培技术在机插领域的研究成果,是农民、农技与农机人员自主学习与决策支持的优质平台。该系统已取得国家版权局计算机软件着作权,登记号为2012SR106099。3、本研究依托已在线运行10年的江苏水稻丰产科技工程网（http://www.jsrice.net）,采用ASP.Access数据库等技术,通过ADO实现对Access数据库的访问,运用Adobe Dreamweaver CC设计网页框架。采用B/S三层分布计算体系结构,使用Javascript脚本语言实现参数处理,采用CSS实现网页风格设计,并构建知识表示、推理机制等,开发出知识丰富、简便易用的基于Web的水稻机插精确定量栽培专家系统。同时,还拓展开发了机插水稻物联网诊断预警专家系统,通过分布在田间的传感器获取气象、土壤水位等数据,结合田块的地力和苗情状况进行综合分析,农业专家可以在后台实现气象、施肥、灌溉的远程诊断,取得了机插水稻信息化研究的新突破。该在线专家系统可实现水稻种植管理决策诊断,提供较为丰富的专家知识,零距离为水稻生产从业人员提供技术指导,对于拓展先进稻作技术的知识普及信息化平台、推动水稻生产中农机农艺融合与机械化信息化协同发展具有较高的研究意义与应用价值。
金宝石[10]（2012）在《基于图像的大豆叶部病害智能诊断关键技术研究》文中认为本研究以大豆叶部病害的智能诊断技术为研究对象,利用图像处理技术和智能信息处理技术,结合植保知识,对非线性失真的大豆病叶图像进行校正和预处理,采用遗传神经网络对病害区域识别,明确了病斑特征提取方法,提出了大豆叶部病害智能诊断关键技术,给出了在物联网环境下的大豆叶部病害远程诊断系统构建方案,开发出了大豆叶部病害远程诊断系统软件。1.采用自制便携式采集模板获取大田复杂背景非线性失真图像的方式,提出了一种任意封闭区域大豆叶部病害图像的剪裁新方法,结合相位一致性检测和面积数学形态学方法,建立了一种复杂环境下的大豆病害叶片转换为简单背景以便于处理的目标图像的提取方法。给出了使用邻域平均法作为几何、颜色特征参数提取前的预处理和选择中值滤波作为纹理、斑点分析前的预处理等相关预处理技术。2.为避免视频采集角度、光照等诸多影响,降低图像噪点,增强有用的病害特征信息,研究了大田环境下采集的大豆叶片病害图像的几何失真和颜色失真校正技术。分析了大豆叶片图像失真的产生原理,提出了应用双线性映射方程来恢复失真图像原来的空间关系;建立了基于标准灰卡的监督颜色校正方法,确定大豆病害图像颜色值在非标准光照到标准光照的非线性增量的转化关系,并给出了实现算法。3.研究了大豆叶部病斑区域识别分割的基本理论,提出了遗传计算和前馈神经网络相结合的非线性映射方法,依据自适应遗传神经网络模型设计像素点归属决策推理系统。给出了采用梯度下降的误差反向传播向量法进行学习的算法,这种算法主要结合全局搜索的一种最优性遗传算法和误差反向传播局部的梯度下降最优性方法,实验证明,识别的病斑区域图像能够很好的满足病害诊断的需要。4.依据数字图像处理技术和大豆叶部病害诊断植保专家知识,研究了病斑区域彩色图像和特征提取算法,进行了几何、颜色和纹理特征计算,推算出病斑区域的面积、周长、复杂性、球状性、重心、长短轴比、平均变动系数、H均值、S均值、I均值、平均灰度、光滑度、三阶矩、一致性、熵值和分形维数等共计15维特征向量值,为大豆叶部病害的分类提供了最佳的识别基础。5.根据大豆叶部病害诊断的特征因素,研究了在多个量子能级中能够激活函数量子神经元的量子神经网络,并给出了参数学习算法;建立了大豆叶部病害诊断模型,设计了大豆叶部病害无损智能诊断的算法及流程。6.构建了基于物联网大豆病害智能诊断系统的总体结构,提出了视频便携式采集传感器节点结构和主控中心功能,完成了基于物联网的图像采集系统设计方案,确定了大豆病害信息数据库和病害知识库构建方案,利用知识库和数据库的构造理论和方法,设计了大豆叶部病害远程诊断系统技术措施和总体设计方案,开发出了大豆叶部病害远程诊断系统软件。该研究对大豆叶部主要病害诊断准确率达96.6%,能够满足生产实际要求,同时本研究也可为其它农作物叶部病害的识别诊断提供了参考方法。
二、小麦群体图像高产智能诊断知识库的构造方法（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、小麦群体图像高产智能诊断知识库的构造方法（论文提纲范文）
（1）设施黄瓜生产过程数字化系统研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究的背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 作物生长模型 |
| 1.2.2 生产数字化研究 |
| 1.2.3 国内外研究现状小结 |
| 1.3 课题来源、研究内容及技术路线 |
| 1.3.1 课题来源 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 创新之处 |
| 1.5 本章小结 |
| 2 相关理论和技术 |
| 2.1 作物生长模型分析相关理论 |
| 2.1.1 主成分分析原理及方法 |
| 2.1.2 多重共线性分析 |
| 2.1.3 岭回归分析原理及方法 |
| 2.1.4 模型评价 |
| 2.2 生产过程数字化研究相关理论 |
| 2.2.1 知识库构建方法 |
| 2.2.2 规则库构建方法 |
| 2.3 系统开发相关技术 |
| 2.3.1 数据采集信息化 |
| 2.3.2 数据存储 |
| 2.3.3 系统开发 |
| 2.4 本章小结 |
| 3 基于主要环境因子的设施黄瓜生长模型研究 |
| 3.1 试验概况 |
| 3.1.1 试验材料 |
| 3.1.2 数据采集类型与方法 |
| 3.2 设施黄瓜生长指标主成分分析 |
| 3.3 基于主要环境因子的设施黄瓜苗期生长模型 |
| 3.4 基于主要环境因子的设施黄瓜初花期生长模型 |
| 3.5 基于主要环境因子的设施黄瓜果期生长模型 |
| 3.6 模型验证分析 |
| 3.7 本章小结 |
| 4 设施黄瓜生产过程数字化研究 |
| 4.1 设施黄瓜生产过程管理方案 |
| 4.1.1 设施黄瓜定植前管理方案 |
| 4.1.2 设施黄瓜苗期管理方案 |
| 4.1.3 设施黄瓜初花期管理方案 |
| 4.1.4 设施黄瓜果期管理方案 |
| 4.2 设施黄瓜生产过程数字化知识库建立及规则库设计 |
| 4.2.1 设施黄瓜生产过程数字化知识库建立 |
| 4.2.2 设施黄瓜生产过程数字化规则库建立 |
| 4.3 设施黄瓜生产管理数字化模型构建 |
| 4.3.1 设施黄瓜苗期生产管理判断矩阵 |
| 4.3.2 设施黄瓜初花期生产管理判断矩阵 |
| 4.3.3 设施黄瓜果期生产管理判断矩阵 |
| 4.3.4 设施黄瓜全周期生产管理数字化模型 |
| 4.4 本章小结 |
| 5 设施黄瓜生产过程数字化系统的设计与实现 |
| 5.1 系统需求分析 |
| 5.1.1 系统用户需求 |
| 5.1.2 系统功能需求分析 |
| 5.1.3 系统性能需求分析 |
| 5.2 系统总体设计 |
| 5.2.1 系统总体架构 |
| 5.2.2 系统功能设计 |
| 5.2.3 系统数据库设计 |
| 5.3 系统实现 |
| 5.3.1 数据采集 |
| 5.3.2 数据可视化 |
| 5.3.3 挖掘分析 |
| 5.3.4 生产信息管理 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 硕士期间获得的研究成果 |
（2）基于Android的小麦生长信息监测系统设计与开发（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外作物生长信息监测系统发展现状 |
| 1.2.1 作物生长信息发展现状 |
| 1.2.2 作物生长监测发展现状 |
| 1.3 Android手机操作系统发展现状 |
| 1.4 论文主要研究内容及方法 |
| 1.5 论文结构 |
| 第二章 相关技术介绍 |
| 2.1 Android |
| 2.1.1 Android平台特点 |
| 2.1.2 四大组件 |
| 2.1.3 数据持久化技术 |
| 2.1.4 控件和布局 |
| 2.2 XPath |
| 2.3 opencv |
| 2.4 Bmob后端云 |
| 第三章 小麦生长信息监测系统分析与设计 |
| 3.1 系统可行性分析 |
| 3.1.1 技术可行性 |
| 3.1.2 经济可行性 |
| 3.1.3 操作可行性 |
| 3.2 需求分析 |
| 3.2.1 系统的功能需求分析 |
| 3.2.2 系统非功能性需求分析 |
| 3.3 系统总体设计 |
| 3.3.1 系统设计原则 |
| 3.3.2 系统架构设计 |
| 3.3.3 系统模块设计 |
| 3.4 数据库设计 |
| 3.4.1 数据库概念设计 |
| 3.4.2 数据库逻辑设计 |
| 3.5 本章小结 |
| 第四章 系统功能实现 |
| 4.1 开发环境 |
| 4.2 登录注册功能 |
| 4.3 主页面设计 |
| 4.4 小麦生长信息监测功能模块实现 |
| 4.4.1 相关公式和参数介绍 |
| 4.4.2 叶面积指数监测 |
| 4.4.3 生物量监测 |
| 4.4.4 叶绿素含量监测 |
| 4.4.5 产量监测 |
| 4.5 小麦病虫害功能模块实现 |
| 4.6 小麦品种知识库功能模块实现 |
| 4.7 消息模块实现 |
| 4.8 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）作物种质资源大数据体系研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外大数据研究现状 |
| 1.2.2 国内外作物种质资源信息化研究现状 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 创新点 |
| 1.5 论文组织结构 |
| 第二章 相关理论及技术 |
| 2.1 科学研究第四范式 |
| 2.1.1 科学研究第四范式的特征 |
| 2.1.2 科学研究第四范式的基本内容 |
| 2.2 大数据 |
| 2.2.1 大数据概念 |
| 2.2.2 大数据特征 |
| 2.2.3 大数据技术 |
| 2.3 大数据体系参考架构 |
| 2.3.1 NIST大数据体系参考架构 |
| 2.3.2 ISO/IEC大数据参考架构 |
| 2.4 大数据标准化体系框架 |
| 2.5 人工智能 |
| 2.6 知识图谱 |
| 2.6.1 知识图谱概念 |
| 2.6.2 知识图谱构建 |
| 第三章 作物种质资源大数据体系总体框架 |
| 3.1 作物种质资源大数据定义及特征 |
| 3.1.1 作物种质资源大数据定义 |
| 3.1.2 作物种质资源大数据特征 |
| 3.2 构建依据 |
| 3.3 构建原则 |
| 3.4 构建思路 |
| 3.5 四维要素结构 |
| 3.5.1 业务需求 |
| 3.5.2 大数据技术 |
| 3.5.3 数据加工 |
| 3.5.4 标准规范 |
| 3.6 总体框架设计 |
| 第四章 支撑体系详细设计 |
| 4.1 标准规范体系 |
| 4.2 数据体系 |
| 4.2.1 数据 |
| 4.2.2 元数据 |
| 4.2.3 数据编码 |
| 4.2.4 数据交换与共享 |
| 4.3 管理体系 |
| 4.3.1 管理团队建设 |
| 4.3.2 数据管理 |
| 4.3.3 系统运维 |
| 4.4 安全体系 |
| 4.4.1 安全基础 |
| 4.4.2 安全技术 |
| 4.4.3 数据安全 |
| 4.4.4 安全管理 |
| 第五章 技术/工具体系设计 |
| 5.1 概述 |
| 5.2 设计原则 |
| 5.3 框架设计 |
| 5.3.1 采集技术 |
| 5.3.2 预处理技术 |
| 5.3.3 存储技术 |
| 5.3.4 分析技术 |
| 5.3.5 可视化技术 |
| 5.3.6 平台/工具 |
| 5.4 实证研究——以小麦表型数据处理为例 |
| 5.4.1 实验平台/工具 |
| 5.4.2 数据采集、预处理及存储 |
| 5.4.3 小麦表型数据分析 |
| 5.4.4 评估指标与结果验证 |
| 第六章 应用体系设计 |
| 6.1 概述 |
| 6.2 设计原则 |
| 6.3 框架设计 |
| 6.3.1 基础性工作 |
| 6.3.2 基础研究 |
| 6.3.3 应用基础研究 |
| 6.4 实证研究——以构建作物种质资源知识图谱为例 |
| 6.4.1 知识图谱应用优势 |
| 6.4.2 知识图谱构建 |
| 6.4.3 知识图谱中社会学基础数据自动采集 |
| 第七章 结论和展望 |
| 7.1 研究结论 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（4）数据驱动下数字图书馆知识发现服务创新模式与策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据驱动研究现状 |
| 1.2.2 知识发现研究现状 |
| 1.2.3 研究现状评析 |
| 1.3 研究内容、方法与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 研究技术路线 |
| 1.4 创新点 |
| 第2章 相关概念与理论基础 |
| 2.1 相关概念 |
| 2.1.1 数据驱动 |
| 2.1.2 知识发现 |
| 2.1.3 Web级资源发现 |
| 2.1.4 数字图书馆知识发现服务 |
| 2.2 理论基础 |
| 2.2.1 数据密集型科学发现理论 |
| 2.2.2 数据驱动控制理论 |
| 2.2.3 数据挖掘与知识发现理论 |
| 2.3 本章小结 |
| 第3章 数据驱动下数字图书馆知识发现服务的数据环境分析 |
| 3.1 数字图书馆知识发现服务的数据环境特征 |
| 3.1.1 馆藏数据来源的广泛性及数据形态和存在方式的多样性 |
| 3.1.2 数据存储模式多样化及存储内容的非结构化和碎片化 |
| 3.1.3 数据资源价值的低密度和高变现潜能 |
| 3.2 数字图书馆知识发现服务的数据环境变化 |
| 3.2.1 从“数字化”到“数据化”的演化 |
| 3.2.2 新一代信息技术的涌现 |
| 3.2.3 数据分析思维模式的形成 |
| 3.2.4 数据密集型科学发现应用趋势 |
| 3.3 数字图书馆知识发现服务的数据环境开发与应用 |
| 3.3.1 数字图书馆知识发现服务在大数据环境中的新定位 |
| 3.3.2 开发数字图书馆知识发现服务数据驱动的新机制 |
| 3.3.3 创新数据驱动下数字图书馆知识发现服务的新模式 |
| 3.3.4 开发数据驱动下数字图书馆知识发现服务的新业态 |
| 3.4 本章小结 |
| 第4章 数字图书馆知识发现服务创新的数据驱动机制分析 |
| 4.1 数字图书馆知识发现服务创新数据驱动机制的数据要素 |
| 4.1.1 用户数据要素 |
| 4.1.2 内容资源要素 |
| 4.1.3 专家数据要素 |
| 4.2 数字图书馆知识发现服务创新的数据驱动过程与维度 |
| 4.2.1 数字图书馆知识发现服务创新的数据驱动过程 |
| 4.2.2 数字图书馆知识发现服务创新的数据驱动维度 |
| 4.3 数字图书馆知识发现服务创新的数据驱动动力机制 |
| 4.3.1 数字图书馆知识发现服务创新的数据驱动动力类型 |
| 4.3.2 数字图书馆知识发现服务创新的数据驱动动力关系分析 |
| 4.3.3 数字图书馆知识发现服务创新的数据驱动动力仿真模型 |
| 4.4 数字图书馆知识发现服务创新的流驱动机制 |
| 4.4.1 数字图书馆知识发现服务创新的流驱动特征 |
| 4.4.2 数字图书馆知识发现服务创新的流驱动过程 |
| 4.4.3 数字图书馆知识发现服务创新的流驱动机制模型 |
| 4.5 数字图书馆知识发现服务创新的数据协同驱动机制 |
| 4.5.1 数字图书馆知识发现服务创新的数据协同驱动内涵 |
| 4.5.2 数字图书馆知识发现服务创新的数据协同驱动目标 |
| 4.5.3 数字图书馆知识发现服务创新的数据协同驱动机制模型 |
| 4.6 数字图书馆知识发现服务创新的数据驱动控制机制 |
| 4.6.1 数字图书馆知识发现服务创新的数据驱动控制内涵 |
| 4.6.2 数字图书馆知识发现服务创新的数据驱动控制方法 |
| 4.6.3 数字图书馆知识发现服务创新的数据驱动控制模型 |
| 4.7 本章小结 |
| 第5章 数据驱动下数字图书馆知识发现服务创新模式研究 |
| 5.1 数字图书馆知识发现服务创新模式问题的提出 |
| 5.2 数字图书馆知识发现服务创新模式构建基础 |
| 5.2.1 数字图书馆知识发现服务创新的模式基础 |
| 5.2.2 数字图书馆知识发现服务创新的产品基础 |
| 5.2.3 数字图书馆知识发现服务创新的技术基础 |
| 5.3 数字图书馆知识发现服务创新功能圈构建 |
| 5.3.1 数字图书馆知识发现服务创新功能圈的框架设计 |
| 5.3.2 数字图书馆知识发现服务创新功能圈的架构分析 |
| 5.3.3 数字图书馆知识发现服务创新功能圈的建立 |
| 5.4 本章小结 |
| 第6章 数据驱动下数字图书馆知识发现服务创新模式应用研究 |
| 6.1 数字图书馆知识发现服务科研用户画像应用 |
| 6.1.1 用户画像数据收集 |
| 6.1.2 用户画像模型构建 |
| 6.1.3 用户画像实验分析 |
| 6.2 数字图书馆文献资源研究设计指纹识别应用 |
| 6.2.1 研究设计指纹识别基础 |
| 6.2.2 数据标注 |
| 6.2.3 研究设计指纹生成模型训练 |
| 6.2.4 结果与讨论 |
| 6.3 融合用户画像和研究设计指纹的文献推荐应用 |
| 6.3.1 文献推荐模型构建 |
| 6.3.2 文献推荐仿真实验 |
| 6.3.3 结果与讨论 |
| 6.4 数字图书馆知识发现服务多粒度检索决策应用 |
| 6.4.1 实验准备 |
| 6.4.2 实验描述 |
| 6.4.3 实验结果及讨论 |
| 6.5 本章小结 |
| 第7章 数据驱动下数字图书馆知识发现服务创新策略研究 |
| 7.1 数字图书馆知识发现服务创新的优化方向与路径 |
| 7.1.1 数字图书馆知识发现服务创新的优化方向 |
| 7.1.2 数字图书馆知识发现服务创新的优化路径 |
| 7.2 数字图书馆知识发现服务创新的数据化优化 |
| 7.2.1 数据化优化阻碍 |
| 7.2.2 数据化优化策略 |
| 7.3 数字图书馆知识发现服务创新的语义关联优化 |
| 7.3.1 语义关联优化阻碍 |
| 7.3.2 语义关联优化策略 |
| 7.4 数字图书馆知识发现服务创新的可视化优化 |
| 7.4.1 可视化优化阻碍 |
| 7.4.2 可视化优化策略 |
| 7.5 数字图书馆知识发现服务创新的智能化优化 |
| 7.5.1 智能化优化阻碍 |
| 7.5.2 智能化优化策略 |
| 7.6 本章小结 |
| 第8章 研究结论与展望 |
| 8.1 研究结论 |
| 8.2 研究局限 |
| 8.3 研究展望 |
| 参考文献 |
| 作者简介与研究成果 |
| 致谢 |
（5）基于智能手机的稻麦周年机械化优质高产决策支持系统研发（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1 江苏稻麦机械化生产概况 |
| 1.1 稻麦生产情况 |
| 1.2 农业机械化生产情况 |
| 2 稻麦机械化优质高产研究进展 |
| 2.1 国外研究进展 |
| 2.2 国内研究进展 |
| 3 农业决策支持系统开发应用现状 |
| 3.1 决策支持系统概念与功能 |
| 3.2 国内外开发应用进展 |
| 3.3 发展趋势 |
| 4 农业类手机APP研究进展 |
| 5 论文研究内容和技术路线 |
| 5.1 论文研究内容 |
| 5.2 技术路线 |
| 参考文献 |
| 第二章 系统设计与开发方法 |
| 1 研究目标 |
| 2 开发环境 |
| 2.1 平台选择 |
| 2.2 平台优势 |
| 3 系统开发 |
| 3.1 界面设计 |
| 3.1.1 平台配置 |
| 3.1.2 界面构建 |
| 3.2 代码编译 |
| 参考文献 |
| 第三章 稻麦决策子系统研究与开发 |
| 1 水稻决策子系统研究与开发 |
| 1.1 水稻决策子系统概况 |
| 1.2 主页面 |
| 1.3 基本苗的确定 |
| 1.3.1 界面说明 |
| 1.3.2 参数确定 |
| 1.3.3 决策支持 |
| 1.4 机插稻精确施肥 |
| 1.4.1 氮肥精确施用 |
| 1.4.1.1 界面说明 |
| 1.4.1.2 参数确定与计算 |
| 1.4.1.3 氮肥求算 |
| 1.4.2 磷肥精确施用 |
| 1.4.2.1 界面说明 |
| 1.4.2.2 磷肥精确施用 |
| 1.4.3 钾肥精确施用 |
| 1.5 水稻灌溉 |
| 1.5.1 界面说明 |
| 1.5.2 参数确定 |
| 1.5.3 决策支持 |
| 2 小麦决策子系统研究与开发 |
| 2.1 小麦决策子系统概况 |
| 2.2 机条播小麦基本苗与播种量的计算 |
| 2.2.1 基本苗的确定 |
| 2.2.2 播种量的确定 |
| 2.3 小麦精确施肥 |
| 2.3.1 氮肥精确施用 |
| 2.3.1.1 土壤供氮量 |
| 2.3.1.2 土壤供氮量计算 |
| 2.3.1.3 氮肥施用量 |
| 2.3.1.4 功能验证 |
| 2.3.2 磷肥精确施用 |
| 2.3.2.1 土壤供磷量 |
| 2.3.2.2 小麦施磷量 |
| 2.3.3 钾肥精确施用 |
| 2.3.3.1 土壤供钾量 |
| 2.3.3.2 小麦施钾量 |
| 2.4 冬前茎蘖数的计算 |
| 2.4.1 冬前茎蘖数公式模型 |
| 2.4.2 功能验证 |
| 3 小结与讨论 |
| 3.1 小结 |
| 3.2 讨论 |
| 参考文献 |
| 第四章 数据库、知识库的研发与应用 |
| 1 数据库的研发与应用 |
| 1.1 数据库的架构 |
| 1.2 数据库的设计路线 |
| 1.3 稻麦品种数据库的研发与应用 |
| 1.3.1 数据库的研发 |
| 1.3.1.1 水稻品种数据库 |
| 1.3.1.2 小麦品种数据库 |
| 1.3.2 功能验证 |
| 1.4 农机装备数据库的研发与应用 |
| 1.4.1 数据库内容分析 |
| 1.4.2 制作流程 |
| 1.4.3 功能验证 |
| 1.5 病虫害防治数据库 |
| 1.5.1 数据库内容分析 |
| 1.5.2 制作流程 |
| 1.5.3 功能验证 |
| 2 知识库的研发与应用 |
| 2.1 知识库搭建规则 |
| 2.2 土壤知识库的研发与应用 |
| 2.2.1 功能实现 |
| 2.2.2 功能验证 |
| 2.3 自主学习知识库的研发与应用 |
| 3 其他界面功能的研发与应用 |
| 3.1 开机动画及登录 |
| 3.1.1 开机动画 |
| 3.1.2 登录界面 |
| 3.1.3 主界面 |
| 3.2 实时天气 |
| 3.3 问题反馈 |
| 4 小结与讨论 |
| 4.1 小结 |
| 4.2 讨论 |
| 参考文献 |
| 第五章 结论与讨论 |
| 1 结论 |
| 2 讨论 |
| 参考文献 |
| 致谢 |
（6）基于计算机视觉技术的马铃薯病害识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 研究目标与内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 本文的结构安排 |
| 第二章 文献综述 |
| 2.1 国外研究进展 |
| 2.2 国内研究进展 |
| 2.3 存在的主要问题 |
| 第三章 马铃薯病害图像采集和预处理 |
| 3.1 马铃薯病害图像采集 |
| 3.1.1 采集对象介绍 |
| 3.1.2 图像采集 |
| 3.2 试验环境说明 |
| 3.3 马铃薯病害图像预处理 |
| 3.3.1 图像裁剪 |
| 3.3.2 调整图像分辨率 |
| 3.3.3 图像灰度化 |
| 3.3.4 图像滤波 |
| 第四章 马铃薯病害图像病斑分割 |
| 4.1 图像分割算法 |
| 4.2 OTSU-SFLA算法的提出 |
| 4.3 OTSU算法 |
| 4.3.1 OTSU算法的基本思想 |
| 4.3.2 OTSU算法的基本原理 |
| 4.4 SFLA算法 |
| 4.4.1 SFLA算法的基本思想 |
| 4.4.2 SFLA算法的基本原理 |
| 4.5 OTSU-SFLA算法实现马铃薯病害图像分割 |
| 4.5.1 马铃薯病害图像灰度化 |
| 4.5.2 马铃薯病害图像中值滤波 |
| 4.5.3 计算马铃薯病害图像的直方图 |
| 4.5.4 马铃薯病害图像OTSU算法基础分割 |
| 4.5.5 马铃薯病害图像OTSU-SFLA算法实现分割优化 |
| 第五章 马铃薯病害图像特征提取与病害识别 |
| 5.1 病害图像特征提取技术 |
| 5.2 病害图像识别技术 |
| 5.3 卷积神经网络 |
| 5.3.1 人工神经网络 |
| 5.3.2 卷积神经网络 |
| 5.4 基于卷积神经网络的马铃薯病害图像特征提取和病害识别 |
| 5.4.1 设计马铃薯病害图像特征提取和病害识别的结构 |
| 5.4.2 设计马铃薯病害图像特征提取和病害识别的各层功能 |
| 5.4.3 马铃薯病害图像特征提取和病害识别的激活函数 |
| 5.4.4 实现马铃薯病害图像特征提取和病害识别的框架 |
| 第六章 系统及模型训练和识别的可靠性测试 |
| 6.1 系统及模型训练 |
| 6.1.1 马铃薯病害图像样本的来源和选取 |
| 6.1.2 马铃薯图像病斑分割之后图像彩色化还原 |
| 6.1.3 系统及模型的训练 |
| 6.2 马铃薯病害识别的可靠性测试 |
| 第七章 结论与讨论 |
| 7.1 结论 |
| 7.2 讨论 |
| 7.2.1 创新点 |
| 7.2.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
| 导师简介 |
（7）基于群智能优化的机器学习方法研究及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及目的意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 基于机器学习的农作物虫害预测研究现状 |
| 1.2.2 基于机器学习的农作物病害诊断研究现状 |
| 1.2.3 基于机器学习的农作物缺素诊断研究现状 |
| 1.2.4 基于机器学习的农作物产量预测研究现状 |
| 1.3 主要研究内容及创新点 |
| 1.4 论文结构安排 |
| 第2章 相关知识与关键技术 |
| 2.1 智能决策技术 |
| 2.1.1 机器学习技术 |
| 2.1.2 智能优化技术 |
| 2.2 农业信息技术及决策系统 |
| 2.2.1 农业信息处理技术 |
| 2.2.2 农业智能决策系统 |
| 2.3 本章小结 |
| 第3章 三维混沌果蝇优化的随机森林模型及虫害预测 |
| 3.1 提出三维混沌果蝇优化算法（V3CFOA） |
| 3.2 V3CFOA算法对比实验与分析 |
| 3.3 基于V3CFOA的随机森林预测模型（V3CFOA-RF） |
| 3.4 V3CFOA-RF虫害预测实验研究 |
| 3.4.1 虫害数据准备与数据描述 |
| 3.4.2 实验环境与算法参数设置 |
| 3.4.3 对比实验与数据分析 |
| 3.5 本章小结 |
| 第4章 改进粒子群的动态多目标优化模型及病害诊断 |
| 4.1 改进粒子群算法（IPSO） |
| 4.2 IPSO算法对比实验与分析 |
| 4.3 基于IPSO的动态多目标优化诊断模型（IPSO-DMO） |
| 4.3.1 动态多目标优化模型 |
| 4.3.2 IPSO-DMO算法设计 |
| 4.4 IPSO-DMO病害诊断实验研究 |
| 4.4.1 病害数据准备与数据描述 |
| 4.4.2 实验环境与IPSO-DMO参数设置 |
| 4.4.3 对比实验与数据分析 |
| 4.5 本章小结 |
| 第5章 改进灰狼优化算法的支持向量机模型及缺素诊断 |
| 5.1 改进灰狼优化算法 （IGWO） |
| 5.2 IGWO算法对比实验与分析 |
| 5.3 基于IGWO的支持向量机诊断模型（IGWO-SVM） |
| 5.4 IGWO-SVM缺素诊断实验研究 |
| 5.4.1 缺素数据准备与数据描述 |
| 5.4.2 实验环境与IGWO-SVM参数设置 |
| 5.4.3 对比实验与数据分析 |
| 5.5 本章小结 |
| 第6章 多种群灰狼智能演化核极限学习机模型及产量预测 |
| 6.1 提出多种群灰狼优化算法 （MGWO） |
| 6.2 MGWO算法对比实验与分析 |
| 6.3 基于MGWO的核极限学习机预测模型（MGWO-KELM） |
| 6.4 MGWO-KELM产量预测实验研究 |
| 6.4.1 产量数据准备与数据描述 |
| 6.4.2 对比实验与数据分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文总结 |
| 7.2 未来工作 |
| 参考文献 |
| 作者简介及在学期间科研成果 |
| 致谢 |
（8）基于图像分析技术的小麦群体农学参数获取与群体质量评价研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 文献综述 |
| 1 密度、氮肥对产量的影响 |
| 2 小麦高产群体结构特征研究进展 |
| 2.1 高产群体干物质积累动态 |
| 2.2 高产群体LAI动态 |
| 2.3 高产群体茎蘖动态 |
| 3 群体氮素积累对产量的影响 |
| 4 图像分析技术测算农学参数的研究进展 |
| 4.1 图像介绍 |
| 4.2 直接测量 |
| 4.3 模型估测 |
| 5 作物长势监测的研究进展 |
| 5.1 传统长势监测 |
| 5.2 信息化监测方法 |
| 6 作物管理决策支持系统的研究进展 |
| 6.1 作物管理决策支持系统的特征 |
| 6.2 作物管理决策支持系统发展动态 |
| 7 展望 |
| 7.1 农学参数信息化获取 |
| 7.2 作物生长状态智能评价 |
| 7.3 作物管理决策系统 |
| 8 研究目的和技术路线 |
| 8.1 研究目的 |
| 8.2 技术路线 |
| 参考文献 |
| 第二章 小麦苗期(一叶期)田间基本苗数的智能计算 |
| 前言 |
| 1 材料与方法 |
| 1.1 试验地点和材料 |
| 1.2 试验设计 |
| 1.2.1 田间试验设计 |
| 1.2.2 图像获取方法 |
| 1.3 测定内容 |
| 1.4 图像获取与预处理 |
| 1.4.1 图像获取条件 |
| 1.4.2 图像预处理 |
| 2 麦苗特征分析与麦苗数计算 |
| 2.1 麦苗图像分析 |
| 2.2 麦苗提取 |
| 2.3 麦苗计数 |
| 2.3.1 重叠麦苗区域分析 |
| 2.3.2 重叠麦苗骨架分析 |
| 2.3.3 重叠麦苗端点匹配法计数 |
| 3 结果与分析 |
| 3.1 麦苗图像特征值分析 |
| 3.2 计数结果分析 |
| 4 小结 |
| 参考文献 |
| 第三章 小麦越冬、拔节和孕穗期主要农学参数估测 |
| 前言 |
| 1 试验材料与方法 |
| 1.1 试验地点和材料 |
| 1.2 田间试验设计 |
| 1.3 图像获取及农学参数测量 |
| 1.4 图像特征提取 |
| 1.5 估测模型构建 |
| 2 结果与分析 |
| 2.1 特征值分析 |
| 2.2 单指标估测模型 |
| 2.3 多元回归估测模型 |
| 3 小结 |
| 参考文献 |
| 第四章 小麦成熟期田间麦穗智能计数 |
| 前言 |
| 1 试验材料与方法 |
| 1.1 试验地点和材料 |
| 1.2 田间试验设计 |
| 2 图像获取与图像分析 |
| 2.1 图像获取 |
| 2.2 图像特征选择 |
| 2.2.1 颜色特征选择 |
| 2.2.2 纹理特征选择 |
| 3 二值图像处理与麦穗计数 |
| 4 结果与分析 |
| 4.1 颜色特征分析 |
| 4.2 纹理特征分析 |
| 4.3 麦穗计数 |
| 5 小结 |
| 参考文献 |
| 第五章 小麦群体质量图像分析评价指标与模型构建 |
| 前言 |
| 1 材料与方法 |
| 1.1 供试材料 |
| 1.2 试验设计 |
| 1.3 测定内容与方法 |
| 1.4 数据分析与建模方法 |
| 2 群体农学参数与产量的关系 |
| 2.1 基本苗数与产量的关系 |
| 2.2 越冬期农学参数与产量的关系 |
| 2.3 拔节期农学参数与产量的关系 |
| 2.4 孕穗期农学参数与产量的关系 |
| 2.5 成熟期穗数与产量的关系 |
| 3 群体质量评价方法设计 |
| 3.1 群体等级划分 |
| 3.1.1 基本苗数等级划分 |
| 3.1.2 越冬期、拔节期和孕穗期群体等级划分 |
| 3.1.3 麦田穗数等级划分 |
| 3.2 评价模型设计 |
| 4 结果与分析 |
| 4.1 苗期群体评价 |
| 4.2 越冬、拔节和孕穗期群体质量评价 |
| 4.3 成熟期群体穗数评价 |
| 5 小结 |
| 6 品种差异讨论 |
| 6.1 适宜密度差异 |
| 6.2 越冬、拔节和孕穗期适宜农学参数差异 |
| 6.3 成熟期适宜穗数差异 |
| 参考文献 |
| 第六章 小麦农学参数图像分析评价软件系统的构建 |
| 前言 |
| 1 系统设计 |
| 1.1 系统结构设计 |
| 1.2 数据库设计 |
| 1.3 服务功能设计 |
| 2 系统的开发 |
| 2.1 系统开发环境 |
| 2.2 系统运行环境 |
| 3 系统的实现 |
| 3.1 麦苗计数模块 |
| 3.2 农学参数估测模块 |
| 3.3 群体质量评价模块 |
| 3.4 麦穗计数模块 |
| 4 小结 |
| 参考文献 |
| 第七章 结论与讨论 |
| 1 讨论 |
| 1.1 麦苗计数讨论 |
| 1.1.1 麦苗提取 |
| 1.1.2 粘连区域麦苗计数 |
| 1.2 越冬、拔节和孕穗期主要农学参数估测 |
| 1.3 麦穗计数 |
| 1.3.1 麦穗提取 |
| 1.3.2 粘连区域麦穗计数 |
| 1.4 群体质量评价 |
| 1.5 系统实现 |
| 1.6 小麦农学参数图像分析技术应用评价 |
| 2 结论 |
| 3 本研究的创新点 |
| 4 存在问题 |
| 5 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及科研成果目录 |
（9）水稻机插精确定量栽培专家系统研究与开发（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 0 前言 |
| 1 水稻机插精确定量栽培发展概述 |
| 1.1 水稻精确定量栽培的概念及其内涵 |
| 1.2 水稻机插精确定量栽培研究进展 |
| 2 水稻优质高产栽培信息系统研究进展及开发应用现状 |
| 2.1 水稻优质高产栽培信息系统研究进展 |
| 2.2 水稻优质高产栽培信息系统开发应用现状 |
| 2.2.1 国外开发应用现状 |
| 2.2.2 国内开发应用现状 |
| 2.3 水稻优质高产栽培信息系统研发中存在的问题 |
| 2.4 水稻优质高产栽培信息系统发展趋势 |
| 3 农业决策支持系统的研究现状 |
| 3.1 国外农业决策支持系统的研究现状 |
| 3.2 国内农业决策支持系统的研究现状 |
| 4 农业专家系统的研究现状 |
| 4.1 国外农业专家系统的研究现状 |
| 4.2 国内农业专家系统的研究现状 |
| 5 基于Web的农业专家系统研究与开发现状 |
| 6 小结 |
| 参考文献 |
| 第二章 水稻机插精确定量栽培专家系统体系结构研究 |
| 0 前言 |
| 1 决策模型构建 |
| 1.1 本研究模型构建方法 |
| 1.2 机插稻基本苗精确求算模型构建 |
| 1.2.1 基本思想 |
| 1.2.2 参数的确定 |
| 1.3 机插稻精确施肥模型构建 |
| 1.3.1 机插稻精确施氮模型 |
| 1.3.2 机插稻磷钾肥的精确定量 |
| 1.3.3 机插稻肥料运筹模型 |
| 1.4 机插稻精确定量灌溉模型构建 |
| 1.4.1 基本思想 |
| 1.4.2 依据叶龄进行诊断的精确灌溉模型 |
| 1.4.3 依据苗情进行诊断的精确灌溉模型 |
| 2 知识库与知识表示 |
| 3 推理机设计 |
| 4 知识库与数据库构建 |
| 4.1 知识库构建 |
| 4.1.1 知识库框架 |
| 4.1.2 知识库的建立 |
| 4.2 数据库构建 |
| 4.2.1 数据库框架 |
| 4.2.2 数据库的建立 |
| 5 小结与讨论 |
| 参考文献 |
| 第三章 水稻机插精确定量栽培决策支持系统研究与开发 |
| 0 前言 |
| 1 系统开发方法与功能 |
| 1.1 系统开发方法 |
| 1.2 系统开发设计路线 |
| 1.3 系统主要功能 |
| 2 系统程序实现与应用 |
| 2.1 基础数据查询 |
| 2.2 辅助决策支持 |
| 2.3 关键技术指导 |
| 2.4 机具使用指南 |
| 2.5 专家知识获取 |
| 3 小结与讨论 |
| 参考文献 |
| 第四章 基于ASP和Access的水稻机插精确定量栽培在线专家系统研究与开发 |
| 0 前言 |
| 1 系统总体设计 |
| 1.1 技术路线 |
| 1.2 开发环境 |
| 1.2.1 硬件开发环境 |
| 1.2.2 软件开发环境 |
| 1.3 专家系统的体系结构 |
| 1.4 在线模块功能与结构 |
| 2 模块功能实现与应用 |
| 2.1 专家系统模块 |
| 2.1.1 专家知识子模块 |
| 2.1.2 水稻生产技术问答子模块 |
| 2.2 决策支持模块 |
| 2.2.1 基本苗求算子模块 |
| 2.2.2 合理施肥子模块 |
| 2.2.3 节水灌溉子模块 |
| 2.2.4 稻苗综合诊断子模块 |
| 3 水稻机插物联网诊断预警专家系统研究与开发 |
| 3.1 物联网技术概述 |
| 3.2 开发流程 |
| 3.3 水稻机插物联网诊断预警技术规范的制定 |
| 3.4 系统前台功能实现 |
| 3.5 后台管理 |
| 4 小结与讨论 |
| 参考文献 |
| 第五章 结论与讨论 |
| 1 结论 |
| 2 讨论 |
| 致谢 |
| 攻读硕士期间发表的研究论文 |
| 攻读硕士期间获得的国家版权局计算机软件着作权 |
（10）基于图像的大豆叶部病害智能诊断关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的目的意义及背景 |
| 1.2 农作物病害智能诊断的研究现状 |
| 1.3 农业专家系统的国内外研究进展 |
| 1.3.1 农业专家系统的研究现状 |
| 1.3.2 国内农业专家系统的研究现状 |
| 1.3.3 大豆病害专家系统的研究现状 |
| 1.4 物联网技术在现代农业生产中的应用现状 |
| 1.4.1 物联网定义 |
| 1.4.2 物联网在智能化农业中的应用现状 |
| 1.5 物联网环境下大豆叶部病害智能诊断专家系统融合趋势 |
| 第二章 资料来源及研究方案 |
| 2.1 图像采集系统基本配置 |
| 2.2 大豆病害叶片来源 |
| 2.2.1 大豆灰星病 |
| 2.2.2 大豆灰斑病 |
| 2.2.4 大豆褐斑病 |
| 2.3 大豆病害图像采集 |
| 2.3.1 图像采集设备 |
| 2.3.2 图像处理设备 |
| 2.3.3 图像采集方法 |
| 2.4 大豆病害图像研究过程 |
| 2.4.1 大豆病害图像研究方法 |
| 2.4.2 大豆病害图像处理过程 |
| 第三章 大豆病害叶片图像校正技术的研究 |
| 3.1 数字图像处理的基本概念和理论 |
| 3.1.1 数字图像的数学表示 |
| 3.1.2 数字图像的采样与量化 |
| 3.2 大豆病害图像几何校正方法研究 |
| 3.2.1 图像几何失真的产生原理 |
| 3.2.2 图像几何失真校正的方法探讨 |
| 3.2.3 图像几何失真的校正措施 |
| 3.2.4 校正模板标定 |
| 3.2.5 植物病害叶片失真图像标定 |
| 3.3 适合于植物病害叶片图像几何失真校正的步骤 |
| 3.3.1 空间变换 |
| 3.3.2 灰度插值 |
| 3.3.3 校正精确度计算 |
| 3.4 大豆病害图像颜色校正技术的研究 |
| 3.4.1 校正图像颜色校正理论基础 |
| 3.4.2 基于标准灰卡的监督颜色校正方法 |
| 3.4.3 标准灰卡的监督颜色校正方法实际应用 |
| 第四章 大豆病害诊断图像预处理技术研究 |
| 4.1 大豆病叶图像剪裁方法的研究 |
| 4.1.1 任意封闭区域的剪裁技术 |
| 4.1.2 图像的逻辑运算 |
| 4.2 大豆病叶图像增强技术研究 |
| 4.2.1 大豆病叶图像锐化方法 |
| 4.2.2 大豆病叶图像平滑方法 |
| 4.3 大豆病叶图像形态学算法 |
| 4.3.1 数学形态学基础 |
| 4.3.2 大豆病叶图像腐蚀技术 |
| 4.3.3 大豆病叶图像膨胀技术 |
| 4.4 彩色图像的灰度化处理方法 |
| 第五章 基于ANN的病斑区域识别技术研究 |
| 5.1 病斑区域识别的理论基础 |
| 5.1.1 神经网络基本理论 |
| 5.1.2 图像识别基本理论 |
| 5.2 病斑区域识别神经网络模型的建立 |
| 5.2.1 前馈神经网络模型建立 |
| 5.2.2 神经网络学习算法 |
| 5.2.3 网络模型建立步骤方法 |
| 5.3 病斑区域识别的神经网络改进方法 |
| 5.3.1 遗传算法与神经网络融合技术研究 |
| 5.3.2 遗传算法优化神经网络参数方法 |
| 5.4 病斑区域识别的神经网络的应用 |
| 5.4.1 适合大豆病斑区域识别的神经网络 |
| 5.4.2 大豆病斑识别分割应用效果 |
| 第六章 大豆叶部病斑区域特征提取技术研究 |
| 6.1 病斑区域特征计算技术基础 |
| 6.1.1 病斑区域轮廓跟踪技术 |
| 6.1.2 基于区域标记的形态特征计算方法 |
| 6.1.3 病斑区域纹理增强技术 |
| 6.2 病斑区域几何特征计算方法 |
| 6.2.1 病斑区域面积计算方法 |
| 6.2.2 病斑边界长度计算方法 |
| 6.2.3 病斑形状参数计算方法 |
| 6.2.4 病斑几何特征计算方法 |
| 6.3 病斑区域颜色特征计算方法 |
| 6.4 病斑区域纹理特征计算方法 |
| 第七章 大豆叶部病害无损智能诊断技术研究 |
| 7.1 病害诊断的量子神经网络技术研究 |
| 7.1.1 量子神经网络模型基础理论 |
| 7.1.2 建立病害诊断的量子神经网络模型 |
| 7.1.3 量子神经网络在大豆病害诊断的应用 |
| 7.2 建立大豆病害无损智能诊断的算法 |
| 7.3 大豆病害无损诊断的流程设计 |
| 7.4 大豆病害无损智能诊断技术的实例应用 |
| 第八章 基于物联网的大豆病害远程诊断系统设计 |
| 8.1 农业物联网的远程诊断系统总体结构 |
| 8.2 基于农业物联网的图像采集系统设计方案 |
| 8.2.1 物联网图像传感器节点的硬件设计 |
| 8.2.2 图像采集传感器性能指标 |
| 8.2.3 传感器网络节点电源设计 |
| 8.2.4 基于3G的无线通信方式 |
| 8.2.5 物联网系统的软件设计 |
| 8.3 大豆远程病害诊断专家系统设计方案 |
| 8.3.1 大豆病害专家系统规划分析 |
| 8.3.2 大豆病害专家系统功能 |
| 8.3.3 大豆病害远程诊断专家系统技术方案 |
| 8.4 系统实现 |
| 8.4.1 系统开发平台 |
| 8.4.2 系统运行界面 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
四、小麦群体图像高产智能诊断知识库的构造方法（论文参考文献）
- [1]设施黄瓜生产过程数字化系统研究[D]. 洪苗. 山东农业大学, 2021
- [2]基于Android的小麦生长信息监测系统设计与开发[D]. 王苏园. 扬州大学, 2021(08)
- [3]作物种质资源大数据体系研究[D]. 井福荣. 中国农业科学院, 2020(01)
- [4]数据驱动下数字图书馆知识发现服务创新模式与策略研究[D]. 李洁. 吉林大学, 2019(02)
- [5]基于智能手机的稻麦周年机械化优质高产决策支持系统研发[D]. 张延发. 扬州大学, 2019(02)
- [6]基于计算机视觉技术的马铃薯病害识别研究[D]. 张明. 甘肃农业大学, 2018(02)
- [7]基于群智能优化的机器学习方法研究及应用[D]. 赵东. 吉林大学, 2017(09)
- [8]基于图像分析技术的小麦群体农学参数获取与群体质量评价研究[D]. 刘涛. 扬州大学, 2016(02)
- [9]水稻机插精确定量栽培专家系统研究与开发[D]. 仇红. 扬州大学, 2014(01)
- [10]基于图像的大豆叶部病害智能诊断关键技术研究[D]. 金宝石. 黑龙江八一农垦大学, 2012(05)