一、番茄常见病害的识别（论文文献综述）
梅莹,尹艺璐,石称华,刘哲辉,常丽英[1]（2021）在《基于改进VGG卷积神经网络的叶菜霜霉病智能识别算法研究》文中研究指明该文针对用传统方法识别叶菜霜霉病难度大、精度低等问题,将卷积神经网络应用于结球白菜、菠菜、莴笋霜霉病的识别与分类。作者通过图像搜集、预处理和扩增,构建了3种叶菜霜霉病图像数据库,并运用于VGG16-1模型构建;通过微调模型中的部分参数,探究了迭代次数、BATCHSIZE和卷积核尺寸3种模型参数对VGG16-1模型识别分类效果的影响。试验结果表明,迭代次数为50次、BATCHSIZE为32、卷积核尺寸为3×3时,VGG16-1模型模拟结果最优,训练用时为20 min,模型识别准确率为95.67%。
张燕,田国英,杨英茹,朱华吉,李瑜玲,吴华瑞[2]（2021）在《基于SVM的设施番茄早疫病在线识别方法研究》文中进行了进一步梳理为解决设施环境下番茄病害在线探测问题,以温室大棚内采集的番茄叶部图像作为研究对象,以番茄早疫病为例提出了一种结合颜色纹理特征（color moments+color coherence vector+co-occurrence among adjacent LBPs, CCR）并基于支持向量机（SVM）的CCR-SVM叶部图像病斑识别方法。为实现小样本及复杂背景下的快速识别,首先采用滑动窗口将训练用番茄叶部病害图像切割成小区域图像,选取不包含背景的小区域图像作为样本,从而增加样本数量和多样性。通过训练的CCR-SVM模型对早疫病病斑子图像正负样本分类识别。实验结果表明,本文方法离线识别准确率为96.97%,在线平均识别准确率达86.39%,平均单帧图像识别时间为0.073 s。表明CCR-SVM模型可准确识别并定位复杂背景下的早疫病病斑,且该方法计算量小、系统要求低,为复杂环境下番茄病害快速识别提供了新的思路。
肖伟,冯全,张建华,杨森,陈佰鸿[3]（2021）在《基于小样本学习的植物病害识别研究》文中研究说明为在仅有少量训练样本条件下获得较高的植物病害分类精度,采用小样本学习模型作为病害分类器,在匹配网络、原型网络和关系网络3种典型小样本学习算法框架下分别采用Conv4、Conv6、ResNet10、ResNet18和ResNet34 5种浅层网络作为特征提取网络,在PlantVillage植物病害数据集上对病害识别性能进行对比试验。在1-shot条件下,匹配网络、原型网络和关系网络对植物叶片病害识别的平均准确率分别为72.29%、72.43%和69.45%;其中原型网络+ResNet34为表现最好的组合,病害识别准确率达到了77.60%。在5-shot条件下,匹配网络、原型网络和关系网络平均准确率分别为87.11%、87.50%和82.92%,各种网络病害识别准确率比1-shot条件均有明显提升;原型网络+ResNet34依旧是表现最佳的组合方式,识别准确率达到89.66%。上述试验结果表明,通过优选小样本学习框架和特征提取网络的组合方式,对于少量样本的病害也能取得较好的识别效果。
王安然,史军营,胡璋健,王娇,喻景权,师恺[4]（2021）在《亚高温环境下番茄对细菌性斑点病病原菌的抗性变化及其机制研究》文中研究表明在全球气候变暖的大背景下,园艺作物在设施及露地生产中病虫害高发频发,严重威胁园艺产品的产量、品质和安全,而亚高温环境如何影响园艺作物的抗病性尚不清楚。细菌性斑点病是由丁香假单胞菌番茄致病变种（Pseudomonas syringae pv.tomato,Pst）引起的在我国番茄生产中广泛发生的重要病害。本试验以含抗Pst基因Pto的高抗番茄LA3472及其背景基因型高感番茄Moneymaker为试验材料,探究亚高温环境下番茄的模式触发的免疫（PAMPs-triggered immunity,PTI）和效应蛋白触发的免疫（effector-triggered immunity,ETI）两种不同抗病途径对Pst DC3000的响应变化。结果表明:与24 ℃常温相比,30 ℃亚高温对体外培养的Pst DC3000菌株的增殖速度无明显影响,但Moneymaker和LA3472在接种Pst DC3000后,细菌性斑点病害的发生均显着加重。亚高温下,2份番茄材料的水杨酸（SA）积累量在接种病原菌后均比常温下接种显着减少,受Pst DC3000诱导的水杨酸合成基因PALs和信号转导基因NPR1的转录表达也被显着抑制。由此可见,亚高温对番茄对细菌性斑点病的不同抗性途径PTI和ETI均有抑制作用,推测其和SA抗性路径被抑制有关。本试验对于理解温度升高背景下蔬菜作物病害发生及加强病害防控具有理论和现实意义。
孟亮,郭小燕,杜佳举,沈航驰,胡彬[5]（2021）在《一种轻量级CNN农作物病害图像识别模型》文中指出针对传统CNN （Convolutional neural network）模型存在训练参数量大而无法应用于硬件条件受限的场合这一问题,本研究提出一种轻量级CNN农作物病害识别模型,能够在保证模型识别准确率情况下简化模型结构,扩大模型的适用场景。设计1个深度卷积模块作为基本卷积单元,2个深度卷积模块和1个批归一化层组成1个残差块作为残差单元,以残差单元作为基本元素设计一个轻量级CNN农作物病害识别模型。对辣椒、番茄和马铃薯的病害图像进行分类识别,最终模型在训练集上的总识别准确率为99.33%,测试集上的总识别准确率为98.32%。相对VGG16等传统模型,在进行农作物病害识别时本模型有更高的识别准确率、更快的识别速度和更小的内存占用。
黄英来,艾昕[6]（2021）在《改进残差网络在玉米叶片病害图像的分类研究》文中研究说明针对传统的玉米叶片病害图像识别方法正确率不高、速度慢等问题,提出一种基于改进深度残差网络模型的玉米叶片图像识别算法。提出的改进策略有:将传统的ResNet-50模型第一层卷积层中7×7卷积核替换为3个3×3的卷积核;使用LeakyReLU激活函数替代ReLU激活函数;改变残差块中批标准化层、激活函数与卷积层的排列顺序。进行数据预处理,将训练集与测试集的比例划分为4∶1,采用数据增强的方式对训练集进行扩充,将改进的ResNet-50模型经过迁移学习得到在ImageNet上预训练好的权重参数。实验结果表明,改进的网络在玉米叶片病害图像分类中得到了98.3%的正确率,与其他网络模型相比准确率大幅提升,鲁棒性进一步增强,可为玉米叶片病害的识别提供参考。
杨英茹,吴华瑞,张燕,朱华吉,李瑜玲,田国英[7]（2021）在《基于复杂环境的番茄叶部图像病虫害识别》文中认为针对复杂环境下番茄叶部图像因其背景复杂导致病害识别较为困难,以温室大棚内采集的番茄叶部图像作为研究对象,对番茄白粉病、早疫病和斑潜蝇三种常见病虫害,提出一种结合颜色纹理特征的基于支持向量机（SVM）的CCL-SVM的复杂环境番茄叶部图像病害识别方法。CCL-SVM方法为实现小样本及复杂背景环境下的快速识别,首先采用滑动窗口将原始番茄叶部病害图像切割成小区域图像,选取不包含背景的小区域图像样本作为试验样本,从而实现样本数量和样本多样性的增加,并降低样本复杂背景的影响。通过对样本数据抽取颜色纹理特征（CCL）,采用SVM模型对番茄早疫病、白粉病、斑潜蝇和健康叶片分类识别。试验结果表明,提出的CCL-SVM方法比Gray-SVM对番茄叶片病害种类的识别性能得到大幅提升,识别率从60.63%提升到97.5%;CCL-SVM方法识别精度高于对比的深度学习网络VGG16和Alexnet方法,且每个小区域图像的平均测试时间远低于深度学习网络。本文设计的CCL-SVM方法具有减小复杂背景影响,计算量小及系统要求低的优点,为复杂环境下番茄病害快速识别提供一种新的思路。
韩旭,赵春江,吴华瑞,朱华吉,张燕[8]（2021）在《基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法》文中进行了进一步梳理针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题,提出了一种基于注意力机制及多尺度特征融合卷积神经网络（Multi-Scale Feature Fusion Convolutional Neural Networks based on Attention Mechanism,MSFF-AM-CNNs）的番茄叶片缺素图像分类方法。首先根据番茄叶片缺素特点提出了多尺度特征融合结构（Multi-Scale Feature Fusion Module,MSFF Module）;其次在DenseNet基础上,结合浅层网络主要提取纹理、细节特征,深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法,通过不同形式引入注意力机制及多尺度特征融合结构,使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能;同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明,MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升,其中缺氮和缺钾叶片的准确率分别提高了 8.06和6.14个百分点,召回率分别提高了 6.31和5.00个百分点,F1得分分别提高了 7.25和5.55个百分点,平均识别准确率可达95.92%,具有较高的识别准确率及广泛的适用性,能够满足番茄叶片缺素图像的高精度分类需求,可为植物叶片缺素识别提供参考。
杨征鹤,杨会民,喻晨,陈毅飞,周欣,马艳,王学农[9]（2021）在《设施蔬菜自动对靶喷药技术研究现状与分析》文中研究指明【目的】回顾与总结国内外设施蔬菜自动对靶喷药技术的研究现状与进展,为该技术在设施蔬菜自动对靶喷药机器人的发展应用上提供理论和科学依据。【方法】采用相关文献资料、实地调研的方法,汇总、整理及分析。【结果】导航技术国外主要采用基于GPS、机器视觉、激光雷达等技术开发的路径识别及智能避障技术,国内主要采用电磁诱导、基于GPS、激光雷达和视觉技术的道路边缘获取与道路识别技术。病虫害检测现阶段国外主要采用图像识别、红外成像和高光谱及基于深度学习的病虫害识别技术,技术较为成熟,国内现阶段主要采用图像识别技术,利用作物颜色、纹理及形状特征进行识别。国外对靶喷药采用机器视觉、激光主动视觉和超声波技术并结合传感器对目标作物进行识别,利用变速喷药技术在生菜、番茄等作物上进行了应用,国内开发了温室自主喷药机器人,采用机器视觉技术获取靶标病虫害位置信息,对喷头进行单独控制,以达到精准对靶施药的效果。【结论】导航技术、病虫害识别技术及对靶喷药技术是自动对靶喷药技术的核心。导航方面在温室中利用机器视觉和激光雷达技术相比GPS技术更加可靠、灵活,精准度更高,高光谱与病虫害识别技术可提高病虫害识别的效率,对靶喷药技术中目标作物的识别与冠层稠密程度的判断是发展趋势。
洪苗[10]（2021）在《设施黄瓜生产过程数字化系统研究》文中进行了进一步梳理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。
二、番茄常见病害的识别（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、番茄常见病害的识别（论文提纲范文）
（1）基于改进VGG卷积神经网络的叶菜霜霉病智能识别算法研究（论文提纲范文）
| 1 材料与方法 |
| 1.1 图像收集 |
| 1.2 图像预处理 |
| 1.2.1 图像裁剪 |
| 1.2.2图像数据归一化 |
| 1.2.3 图像数据扩增 |
| 1.3 图像数据库的构建 |
| 1.4 试验方法 |
| 1.4.1 卷积神经网络基本结构 |
| 1.4.2 VGG16 |
| 1.4.3 CNN模型构建硬件环境 |
| 2 结果与分析 |
| 2.1 VGG16-1模型构建 |
| 2.2 VGG16-1模型性能优化分析 |
| 2.2.1 迭代次数（Epoch) |
| 2.2.2 BATCH＿SIZE |
| 2.2.3 卷积核尺寸 |
| 3 讨论 |
| 4 小结 |
（2）基于SVM的设施番茄早疫病在线识别方法研究（论文提纲范文）
| 0 引言 |
| 1 材料与方法 |
| 1.1 数据采集 |
| 1.2 基于滑动窗口的样本生成 |
| 1.3 颜色纹理特征(CCR)提取 |
| 1.3.1 颜色矩 |
| 1.3.2 颜色聚合向量 |
| 1.3.3 旋转不变相邻共存LBP特征 |
| 1.4 颜色纹理支持向量机模型 |
| 2 实验结果与分析 |
| 2.1 实验环境 |
| 2.2 离线实验数据 |
| 2.3 离线实验数据设置与实验结果分析 |
| 2.4 在线病斑识别评价方法 |
| 2.5 在线测试样本图像标注 |
| 2.6 系统架构及探测效果分析 |
| 3 结论 |
（3）基于小样本学习的植物病害识别研究（论文提纲范文）
| 0 引言 |
| 1 试验材料和方法 |
| 1.1 试验材料 |
| 1.2 研究方法 |
| 1.2.1 匹配网络(MatchingNet) |
| 1.2.2 原型网络(ProtoNet) |
| 1.2.3 关系网络(RelationNet) |
| 1.3 特征提取网络 |
| 1.4 试验方法 |
| 2 试验结果与分析 |
| 2.1 试验平台 |
| 2.2 病害识别测试结果 |
| 2.3 病害识别效果分析 |
| 2.3.1 5-way、1-shot试验结果分析 |
| 2.3.2 5-way、5-shot试验结果分析 |
| 3 结论 |
（4）亚高温环境下番茄对细菌性斑点病病原菌的抗性变化及其机制研究（论文提纲范文）
| 1 材料与方法 |
| 1.1 试验材料及亚高温处理 |
| 1.2 病原菌培养及接种 |
| 1.3 测定项目与方法 |
| 1.3.1 病原菌体外培养生长曲线的绘制 |
| 1.3.2 叶片菌落数(colony-forming units，CFU)测定 |
| 1.3.3 病情指数(disease index，DI)统计 |
| 1.3.4 叶绿素荧光成像及测定 |
| 1.3.5 SA含量测定 |
| 1.3.6 叶片总RNA提取及qRT-PCR分析 |
| 1.4 统计方法 |
| 2 结果与分析 |
| 2.1 不同温度对Pst DC3000体外生长的影响 |
| 2.2 亚高温对番茄细菌性斑点病发生的影响 |
| 2.3 亚高温对番茄接种Pst DC3000后SA含量及合成基因PALs表达量的影响 |
| 2.4 亚高温对番茄接种Pst DC3000后SA信号转导基因NPR1表达量的影响 |
| 3 讨论与结论 |
（5）一种轻量级CNN农作物病害图像识别模型（论文提纲范文）
| 1 试验材料 |
| 2 模型轻量化设计策略 |
| 2.1 全局平均池化 |
| 2.2 数据标准化 |
| 2.3 随机淘汰 |
| 3 农业病害图像识别模型 |
| 3.1 深度卷积块 |
| 3.2 残差块 |
| 3.3 植物病害识别模型 |
| 4 模型训练与试验结果分析 |
| 4.1 模型的训练 |
| 4.1.1 稀疏交叉熵损失函数 |
| 4.1.2 衰减法学习率 |
| 4.1.3 历史值保留机制 |
| 4.2 试验结果分析 |
| 4.2.1 试验结果 |
| 4.2.2 不同模型对比试验 |
| 5 结 论 |
（6）改进残差网络在玉米叶片病害图像的分类研究（论文提纲范文）
| 1 玉米图像识别网络模型构建 |
| 1.1 残差网络模型 |
| 1.2 改进Res Net-50网络模型 |
| 1.2.1 卷积核的替换 |
| 1.2.2 Leaky Re LU激活函数 |
| 1.2.3 网络结构的调整 |
| 1.3 迁移学习 |
| 2 模型训练 |
| 2.1 实验环境 |
| 2.2 实验数据与预处理 |
| 2.3 实验超参数设置 |
| 2.4 模型评价指标 |
| 3 实验结果与分析 |
| 3.1 数据增强对实验结果的影响 |
| 3.2 改进网络对实验结果的影响 |
| 3.3 不同网络模型对实验结果的影响 |
| 4 结束语 |
（7）基于复杂环境的番茄叶部图像病虫害识别（论文提纲范文）
| 0 引言 |
| 1 材料与方法 |
| 1.1 图像采集 |
| 1.2 小样本及复杂背景图像识别预处理方法 |
| 1.3 颜色纹理特征提取 |
| 1) 早疫病病斑[16-17]: |
| 2) 白粉病病斑[18]: |
| 3) 斑潜蝇病斑[19]: |
| 1.3.1 颜色矩 |
| 1.3.2 颜色聚合向量 |
| 1.3.3 旋转不变自相关LBPs |
| 1.3.4 本文抽取的颜色纹理特征 |
| 1.4 复杂背景下病虫害识别模型CCL-SVM |
| 1.4.1 支持向量机SVM |
| 1.4.2 识别模型CCL-SVM步骤 |
| 2 试验和结果 |
| 2.1 试验环境 |
| 2.2 试验数据设置 |
| 2.3 试验结果分析 |
| 2.4 与其他模型对比 |
| 3 结论 |
（9）设施蔬菜自动对靶喷药技术研究现状与分析（论文提纲范文）
| 0 引 言 |
| 1 材料与方法 |
| 1.1 材 料 |
| 1.2 方 法 |
| 2 结果与分析 |
| 2.1 导航技术 |
| 2.1.1 国外导航技术 |
| 2.1.2 国内导航技术 |
| 2.2 病虫害检测技术 |
| 2.2.1 国外病虫害检测技术 |
| 2.2.2 国内病虫害检测技术 |
| 2.3 对靶喷药技术 |
| 2.3.1 国外对靶喷药技术的研究现状 |
| 2.3.2 国内对靶喷药技术 |
| 3 讨 论 |
| 4 结 论 |
（10）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 |
四、番茄常见病害的识别（论文参考文献）
- [1]基于改进VGG卷积神经网络的叶菜霜霉病智能识别算法研究[J]. 梅莹,尹艺璐,石称华,刘哲辉,常丽英. 上海蔬菜, 2021(06)
- [2]基于SVM的设施番茄早疫病在线识别方法研究[J]. 张燕,田国英,杨英茹,朱华吉,李瑜玲,吴华瑞. 农业机械学报, 2021
- [3]基于小样本学习的植物病害识别研究[J]. 肖伟,冯全,张建华,杨森,陈佰鸿. 中国农机化学报, 2021(11)
- [4]亚高温环境下番茄对细菌性斑点病病原菌的抗性变化及其机制研究[J]. 王安然,史军营,胡璋健,王娇,喻景权,师恺. 中国蔬菜, 2021(11)
- [5]一种轻量级CNN农作物病害图像识别模型[J]. 孟亮,郭小燕,杜佳举,沈航驰,胡彬. 江苏农业学报, 2021(05)
- [6]改进残差网络在玉米叶片病害图像的分类研究[J]. 黄英来,艾昕. 计算机工程与应用, 2021(23)
- [7]基于复杂环境的番茄叶部图像病虫害识别[J]. 杨英茹,吴华瑞,张燕,朱华吉,李瑜玲,田国英. 中国农机化学报, 2021(09)
- [8]基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法[J]. 韩旭,赵春江,吴华瑞,朱华吉,张燕. 农业工程学报, 2021(17)
- [9]设施蔬菜自动对靶喷药技术研究现状与分析[J]. 杨征鹤,杨会民,喻晨,陈毅飞,周欣,马艳,王学农. 新疆农业科学, 2021(08)
- [10]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