一、粮仓害虫的特征提取与分类的研究（论文文献综述）
张莹莹[1]（2021）在《基于粮情的粮仓环境智能调控系统》文中研究表明
王启阳[2]（2021）在《基于机器学习的储粮品质预测方法及应用研究》文中研究指明粮食是关系国计民生的战略物资,是人类赖以生存的必需品。粮食安全关涉经济发展、社会稳定,是国家安全的重要基础。粮食储备是保障国家粮食安全的重要物质基础,是从生产到消费中不可或缺的环节。在粮食储备过程中会发生数量损失和质量损失,其中质量损失会造成粮食的变质和腐败,如果人类食用了腐败变质的粮食,会对健康产生不良的影响。因此,研究如何减少储粮质量损失、提高储粮品质在提升国家粮食安全水平、保障人民身体健康等方面具有重要的理论价值和现实意义。随着机器学习方法的不断发展和创新,计算机硬件与软件的快速提升、云计算的逐步应用,机器学习在粮情大数据分析和预测方面的应用前景更加广阔。传统的储粮品质通过物理、化学等实验室检测方法获得,该方法需要经过繁杂的扦样、检测等步骤,增加了储备粮管理的操作决策周期以及粮食严重变质的风险。粮情大数据具有数据采集快、数据量大等特点,本文以机器学习方法为基本思想,提出了2种基于支持向量回归的储粮品质预测模型及其相应的优化算法。在充分考虑储粮数据特性的基础上,选择出相关的储藏因子作为模型的输入特征,对储存期间稻谷的脂肪酸值和品尝评分值的预测展开深入研究,充分发挥了机器学习方法在储粮状态判别与品质预测方面的优势。本文的重要研究结果总结如下:（1）基于粮情数据的储粮品质分析与建模方法研究通过收集大量的储粮数据,对稻谷储藏期间品质的变化规律展开研究。探讨了储粮品质的传统数据拟合方法、机器学习预测方法,对比了传统数据拟合预测方法和机器学习预测方法在储粮品质预测中的优点与不足,讨论了机器学习预测方法在储粮品质预测中的适用性。基于该认知,给出了基于机器学习的储粮品质预测的一般过程,在粮情数据的基础上,给出了建模过程中的输入特征参数、预测目标等问题。（2）数据预处理方法研究对储粮温度历史数据中出现的重复、缺失和异常情况进行了分析和处理,利用均值法修复重复检测数据、采用线性插值法对缺失的温度数据进行修复,提出一种基于滑动窗口的粮温预测算法对异常温度数据进行判断。对粮库经度、纬度、仓房类型、初始水分、测量水分、入仓月份、扦样月份、粮食平均温度、粮仓平均温度、储藏周期、粮食有效积温、粮仓有效积温、初始品尝分值、初始脂肪酸值等储藏因子间的相互作用进行综合分析,确定了储藏因子之间存在着强相关性,采用主成分分析法（PCA）对原始储藏因子进行降维和压缩处理,从14个储藏因子中提取前6个主成分作为新的模型自变量,为储粮品质预测模型的参数选择提供了依据。（3）基于多核学习的储粮品质预测模型单核学习模型的预测精度很大程度上取决于核函数及其参数的选择,而核函数的选择及构造尚未有统一的理论依据,用单一的核函数建立的模型往往难以得到理想的拟合精度。因此,本文在单核支持向量回归（SKSVR）的基础上构建多核支持向量回归（MKSVR）,采用Simple MKL算法对MKSVR模型进行参数寻优,将MKSVR模型用于稻谷储存品质的预测。基于东北地区稻谷储存品质数据集,建立了PCA-MKSVR模型,并与单径向基核函数的PCA-SKSVR模型、线性回归的PCA-MLR模型以及未经过储藏因子筛选的MKSVR模型、SKSVR模型、MLR模型进行了比较。实验结果表明,多核学习模型在预测精度、拟合优度上均优于单核学习模型。对比同类模型,即PCA-MKSVR模型与MKSVR模型、PCA-SKSVR模型与SKSVR模型、MLR模型与PCA-MLR模型进行比较,采用PCA对储藏因子降维处理后的模型,预测精度与拟合优度均高于用原始储藏因子直接建立的预测模型。因此,多核学习模型适用于储藏期间稻谷储存品质的预测。（4）基于多任务与多核学习的储粮品质预测模型常规的单任务学习方法需要对不同的预测模型进行单独训练,往往忽略了多个模型之间来的潜在联系,限制了模型的泛化性能。而多任务学习（MTL）是将多个任务放在一起同时学习,充分挖掘不同任务之间的相关性,实现多个模型或任务之间的信息共享。针对稻谷储存品质的两个关键指标,本文在单任务学习的基础上提出多任务学习的储粮品质预测方法,建立了多任务与多核学习模型（MTMKL）,采用一种基于镜面下降算法的交替优化算法对所提出的模型进行参数优化,并将MTMKL模型用于稻谷储存品质的预测。实验结果表明,MTMKL模型对稻谷脂肪酸值的预测相关系数达到了0.885,对品尝评分值的预测相关系数达到了0.933。相比MKSVR模型,脂肪酸值预测的MAE,RMSE,MAPE结果分别降低了9.48%,6.05%,9.60%,R2提升了0.009;品尝评分值预测的MAE,RMSE,MAPE结果分别降低了11.66%,12.39%,11.97%,R2提升了0.005,这说明MTMKL模型能够有效提高稻谷储存品质的预测精度,可以作为储粮品质预测的一种新方法。（5）储粮安全预警系统的开发与模拟应用通过系统的需求分析和功能设计,设计了储粮安全风险预警策略,预警等级总共可分:Ⅰ级、Ⅱ级、Ⅲ级、Ⅳ级。在此基础上,提出储粮安全预警系统的设计框架,基于Lab VIEW语言和机器学习模型,设计和开发了一套储粮安全预警与品质预测软件,实现了储粮品质的预测。以吉林省榆树市某粮库的实际粮仓为例对系统进行了验证,结果表明,系统运行情况良好,对脂肪酸值的预测误差在±1.5 mg/100g以内,品尝评分值预测误差在±1分以内。该系统以粮情大数据和机器学习为基础,实现了对储粮品质的准确、快速预测,大大降低了储粮品质检测过程中的经济成本,降低粮食储存过程中严重变质的风险,为储粮质量的精确控制提供了技术支持,对储粮安全管理具有指导意义。
刘凯旋[3]（2021）在《基于小样本的水稻害虫检测算法研究》文中认为水稻是中国重要的粮食作物,但其生长过程中容易受到害虫的侵害,产量和品质都会因此出现不同的程度的降低。准确的检测和诊断害虫对于提高施药决策的针对性及精准预测作物的产量至关重要。稻田中的害虫多种多样,不能保证每类害虫样本数量都能使检测模型收敛。本文研究在样本数量不充足导致从头训练的模型不收敛时,如何使其收敛并提升模型的准确率。本文主要开展了以下工作:（1）创建的水稻害虫数据集包含5个类别,共计1343张。原始图像通过互联网下载和学校试验水稻田内手机拍摄2种方式获得。水稻害虫的主要背景有稻田、沙地、白纱布、实验室盆栽;视角有正视、侧视、俯视;害虫姿态有倾斜,重叠。每张水稻害虫图像上至少有1只害虫。为丰富样本数量,通过随机裁剪,翻转,旋转三种处理方式增强数据集的容量,增强后的样本数量增加了接近2倍。最终将各类别之间图像的数量维持在1:1.5之间,以保证样本的均衡性。随机选择图像按比例4:1分成训练集测试集。本文将级联R-CNN中提取特征的骨干网络,通过公开数据集Image Net、Cifar100中和水稻害虫外观相似的类别做预训练,再在水稻害虫数据集上做微调。（2）通过数据扩增和预训练能够使级联R-CNN收敛,但因为害虫目标小难以检测的问题让模型准确率依然很低。为了解决小目标检测的问题,本文对级联R-CNN进行了改进。首先使用特征金字塔结构FPN提升模型提取小目标的能力,平均精度AP提升了2.32%;再使用Soft NMS替换原来的非极大值抑制NMS,减少因为重叠而丢失的检测目标;再通过感兴趣区域校准ROI Align在规范化提取特征时保证小目标的特征不被丢失,平均精度提升了1.74%。实验表明,该方法能够有效的识别和检测复杂背景下的水稻害虫,且其平均准确率m AP达到94.15%。（3）当样本数量更少时,在数据扩增和预训练的方式下模型依然无法收敛。为了解决以上问题,本文在优化后的级联R-CNN模型后级联了一个优化FSDet View模型的少样本检测网络。该网络是在算法FSDet View基础上,通过在区域建议网络中引入了注意力机制来提升模型的准确率。由于区域建议网络结构的变化,本文给出了相应的损失函数。模型通过PASCAL VOC数据集学习对比网络的参数,再在水稻害虫数据集上做微调并预测。实验表明了在区域建议网络中加入注意力机制提升了原算法的准确率,在每类10张样本的条件下准确率达到了57.4%。本研究建立了两种基于不同样本数量的水稻害虫检测算法。首先使用级联R-CNN模型做检测,在样本数量进一步减少导致模型无法收敛时,再通过判断条件切换成少样本检测算法做检测。从而为后续农业害虫的智能化检测算法研究提供理论支撑。
钱志海,张超,付松林[4]（2021）在《储粮害虫实仓在线检测识别技术研究现状与展望》文中指出害虫检测是粮食保管重要工作内容之一,为储粮害虫防治决策提供科学依据。与传统的检测方法相比,基于图像识别和害虫声信号的实仓在线监测技术具有准确、实时、省钱省力等优点,其在粮食储藏过程中日益受到重视。文章介绍了传统储粮害虫监测方法,综述了信息化技术在储粮害虫检测识别领域的研究现状,总结了国内外图像识别和害虫声信号的实仓在线监测技术的研究成果,并提出当前实仓在线监测技术的研究难点及今后的研究热点和需要解决的问题。
吕宗旺,金会芳,甄彤,孙福艳[5]（2021）在《图像处理技术在粮食害虫识别中的应用进展》文中研究表明在储粮过程中,粮食害虫的监控至关重要。常见粮虫的检测方法主要有人工检测、声音检测、传统机器学习图像处理以及深度学习图像处理等。传统机器学习图像处理检测粮虫的步骤有图像预处理、特征提取及特征分类。深度学习技术包括图像分类和目标检测两大技术,详细介绍了粮虫检测应用的两阶段和单阶段的目标检测算法。研究了使用图像检测技术进行粮虫检测后估计储粮害虫种群密度的方法,包括使用视频监控、特殊分类器等手段来判断活虫、死虫,进一步判断粮虫的种群密度。综述了目前图像处理技术最新的研究方法,并展望了其在粮虫检测未来的发展。
王金[6]（2020）在《基于深度学习的多目标储粮害虫识别研究》文中认为储粮害虫对储存过程中的粮食会造成发热与霉变等影响,导致粮食存在质量安全的问题,甚至影响到人类的健康。通过对储粮害虫的准确检测和数量统计,害虫的治理措施可以在粮仓内得到更高效的实施。本文采用OV2640传感器对储粮害虫样本进行拍摄取样,建立了共包含8210个小目标的942张原始图像,采用目标图像扩充的方式,对原始数据集的训练集进行数据增强,获得了原始、数据增强后和混合等三类数据集,然后提出了一种基于特征金字塔的特征提取层结构对目标检测模型进行优化。最后,对优化后的模型进行调参,进一步提高目标检测精度。在对数据增强后的目标检测效果进行验证时,本文在Faster R-CNN上分别对三类训练集进行模型训练,并使用相同测试集进行检测,试验后获得的检测精度分别为90.40%、92.61%和90.36%。结果表明,数据增强后的储粮害虫图像不仅具有更加丰富的小目标信息,而且提高了RPN生成的候选框与害虫目标的匹配度。在检测模型的优化试验中,本文首先对网络模型的特征提取层结构进行改进,特征提取网络产生的高层特征图通过下采样方式逐步对底层特征图进行融合,生成适合多尺度目标检测的特征图。然后在不同结构的检测模型上对储粮害虫图像数据集都进行训练与测试,并绘制了检测结果的PR曲线与F1分数曲线。两种曲线的对比结果表明优化后的模型更有利于小目标储粮害虫的检测,并且优化后模型的F1分数均值达到了92.71%,相比于优化前的模型提升了4.91%。在超参数微调后,模型的平均检测精度（m AP）达到了97.49%,表明RPN生成的候选框在进行微调后能够更好的匹配害虫目标,并且优化后的模型比R-FCN与YOLOv3模型都具有更好的检测效果。
许德刚,李凡[7]（2021）在《现代信息技术在储粮害虫检测中的应用》文中研究指明储粮害虫检测技术一直是粮食储藏害虫防治的研究热点。以储粮害虫检测技术研究现状及其不足为基础,针对储粮害虫防控发展所面临的技术需求展开了研究,介绍了储粮害虫检测技术的发展历程,并对光学、声学、图像识别等领域的现代信息技术进行了描述与分析。根据现代信息技术的机理与特点,讨论了在储粮害虫检测中技术特点、应用成效、发展趋势等研究进展并对比分析了各种信息检测技术的优缺点,文章最后对储粮害虫信息检测技术的发展进行了总结与展望,对今后完善储粮害虫检测技术及实现粮食安全管理具有重要实际意义。
包成雷[8]（2020）在《基于储粮害虫预测的粮库测控系统研究》文中研究表明粮食安全是国家安全的根基。近年来,我国对粮食仓储的信息化和智能化改造提出了明确的规划,“科学保粮”已经成为粮食行业的重要产业。然而,我国仍然有5%左右的仓储粮食损失率,造成这些损失的原因有粮食本身的呼吸作用,水分损耗以及储粮害虫的消耗,其中储粮害虫的消耗时主要原因。因此,科学有效地进行储粮害虫的防治对我国的粮食安全有着重大意义。目前针对储粮害虫的研究,大多都是基于害虫的图像识别进行建模。近年来也有对储粮虫害的预测研究,但许多相关研究仅仅考虑虫害的时序特征,忽略了温度、湿度等粮仓环境因素的影响。同样的,目前市面上的储粮测控系统均缺乏储粮害虫的检测、预测和预警为一体的功能模块,无法从根本上解决粮库虫害的爆发。本文结合储粮害虫的采集的时间特性,以及温度、湿度的时间序列数据,借鉴并优化实现了三层LSTM堆叠网络的害虫预测模型。考虑到粮堆中温湿度传感器和害虫诱捕器布点的空间特性,引入CNN网络对粮仓空间特征进行特征提取,并结合已经实现的三层LSTM堆叠网络进行进一步优化。另外,考虑到时序数据的前后向之间的联系,引入了双向LSTM结构,优化实现了CNN+DoubleBLSTM的网络模型。最后结合在粮库实地采集到的数据进行实验,验证了三类优化算法的有效性。此外,针对市面上储粮测控系统在害虫检测、预测和预警功能上的缺陷。本文设计并参与实现了储粮害虫智能测控系统。系统整体采用前后端分离的设计模式,可以对储粮害虫进行监测和预测,并能生成虫害报表进行预警。在参与整体粮情测控系统的项目研发中,本文结合项目进程管理的关键链技术,对整体项目进度计划进行了优化,保障研发产品质量的同时,缩短了工期,为合作企业带来了效益。
李雪[9]（2020）在《中国储藏物拟步甲分类研究（鞘翅目：拟步甲科）》文中认为储藏物拟步甲是一类生活于人居住地,对藏储生物原料及其产品直接或间接造成危害的甲虫资源,是构成甲虫多样性的重要成分之一。该类甲虫全球已记录9亚科98属277种（亚种）,分别占世界拟步甲科物种总数的1.11%。迄今为止,中国的储藏物拟步甲记录了5亚科32属72种（亚种）,分别占世界储藏物甲虫的24.0%和世界储藏物昆虫的4.3%。与世界储藏物昆虫一样,储藏物拟步甲是整个拟步甲科分类研究的重点,对其生物多样性、分类学与系统生物学、生物学和生态学、分布学、行为学、有害生物监控和综合治理领域的研究工作居多,成果也最为丰硕。在分类学方面,国际上对储藏物拟步甲的研究历史久远,记载丰富,大约71.8%的物种被命名于1800—1899之间,晚期的命名种仅占了12.7%,对其分类修订的研究工作层出不穷,越加精细和完善。我国学者长期重视储藏物拟步甲的害情调查和应用防治技术研究,在许多方面都取得积极成果。但就其分类整体水平而言,我们与世界发达国家相比还存在较大差距,主要表现在物种名称使用混乱,缺少分类性修订工作,分类研究工作不能满足分类鉴定和有害种类防治技术的需要。为此,加强对我国储藏物拟步甲物种多样性的认识和分类修订研究,极力缩小与世界各国研究差距,是本专项研究的出发点。本文根据大量文献资料的归纳整理,对储藏物拟步甲在全球范围内的基本分类状况、物种多样性、分布与发生为害情况等做了综述性介绍;基于河北大学昆虫标本馆长期积累的储藏物拟步甲标本并采用经典分类学手段,对中国该科种类进行了比较完整地分类修订,并采用国际公认度高的分类体系对其进行分类编排。全文包含总论和各论两个部分。总论部分主要介绍了国内外储藏物拟步甲的研究历史和现况、研究目的意义、研究材料与方法、成虫及幼虫的外部形态特征,重点介绍了储藏物拟步甲的经济意义与生物学特性,并对这类甲虫的潜在价值及其开发利用做了展望。各论部分对中国储藏物拟步甲的5亚科20族32属72种（亚种）一一做了规范记述,包括:描述成虫72种、幼虫36种、卵20种、蛹19种;编制了各级（亚科、族、属、种）阶元的分类检索表及特征,列出各种的有效名称和同物异名及其引证,以及它们的分类归属、经济意义、生活习性,检视标本信息及世界分布等信息。研究新记录10种中国储藏物拟步甲,分别是:扁片甲Cossyphus（Cossyphus）depressus（Fabricius,1781）、短脊龙甲Leptodes brevicarina Ren,1999、喀什琵甲Blaps（Blaps）kashgarensis Baters,1879、侏土甲Gonocephalum（Gonocephalum）granulatum pusillum（Fabricius,1792）、无齿土甲Gonocephalum（Gonocephalum）schneideri Reitter,1898、小土甲Gonocephalum（Gonocephalum）pygmaeum（Steven,1829）、直胫土甲Gonocephalum（Gonocephalum）hadroide（Fairmaire,1888）、小瘤土甲Gonocephalum（Gonocephalum）tuberculatum（Hope,1831）、邻卵齿刺甲Oodescelis（Ovaloodescelis）affinis（Seidlitz,1893）、类卵齿刺甲Oodescelis（Ovaloodescelis）similis similis（Kaszab,1938）。
王威松[10]（2020）在《基于探管式诱捕器的储粮害虫在线监测设备及算法研究与实现》文中研究指明虫害是导致粮食产后储藏损失的重要因素之一。在原粮存储过程中,及时准确地监测粮仓粮堆内早期害虫的发生情况,是对储粮虫害进行综合治理的主要依据。对粮仓粮堆内储粮害虫发生情况的早期监测,目前大多以扦样法和探管诱捕法为主,检测流程费时费力,信息化程度低。近年来,随着电子化监测手段的不断引入,电子探管将会逐渐成为粮仓粮堆内虫情监测的主要手段。本文基于探管式诱捕器和红外光电传感器设计并实现了一种新型电子探管设备及其分类识别算法,主要工作如下:1、设计并研制了一种基于红外光电传感器的探管式储粮害虫在线诱捕装置（Online Insect Trap Device based on Infrared Photoelectric Sensor,OITD-PI）,包括OITD-PI的结构、电路和底层驱动软件。设计并研制了作为虫情信息在线监测与存储自动化的控制枢纽的数据传输装置,主要包括运行于数据传输装置上的控制管理软件和总线通讯与数据上传方案。一个数据传输装置与任意个OITD-PI构成储粮害虫在线监测设备。通过数据传输装置对进入OITDs-PI内的害虫对应的红外光电序列数据的索取、汇总、分类与上传,实现了对粮仓粮堆内害虫发生情况的监测。2、建立了 9种主要储粮害虫成虫的红外光电序列数据集。通过方差分析和数据可视化方法验证了其数据分布特性与害虫进入OITD-PI诱捕段的位置无关,从而确定了其数据分布的稳定性,可以充分利用整个红外光电序列来进行分类识别算法的研究。3、基于红外光电序列数据集,通过对储粮害虫穿过传感器光束范围内时的状态的深入分析,提出了红外光电序列恢复算法,解决了红外光电序列的失真问题,保证了特征提取的准确性。基于害虫的几何外观特征,提出了害虫的大小、不规则度和形状三种特征提取方式。对这三种特征建立了高斯核支持向量机模型,通过实验室的测试,对蛀蚀性和粉食性两大害虫类别的判别达到了加权平均分类准确率88.6%、召回率 88.4%和 F1 值 88.5%。4、研究并分析了 OITD-PI采样频率、传感器公差、元器件老化、环境变化等因素对设备监测识别效果的影响,并针对具体影响提出了标准件归一化和电压变化因子校准的解决方案。5、通过对粮库部署情况的模拟,完成了在实验室条件下的设备性能测试,测试结果表明该设备最大通信距离可达3800m,在不加中继器的情况下最高负载上限可达15个,满载情况下数据通信耗时为15秒,害虫计数准确率达99.7%。本文提出的探管式储粮害虫在线监测设备可实现对粮堆内害虫的数量和种类进行准确的监测,使得粮库管理人员可及时了解粮仓粮堆内害虫的发生情况,及早采取防控措施以减少因虫害而造成的粮食损失,确保粮食安全。本文的研究工作,对实现绿色储粮和我国粮食储藏智能化具有重要意义和应用前景。
二、粮仓害虫的特征提取与分类的研究（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、粮仓害虫的特征提取与分类的研究（论文提纲范文）
（2）基于机器学习的储粮品质预测方法及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 粮食安全问题仍是中国未来发展面临的挑战 |
| 1.1.2 储存损失已成为中国粮食安全的潜在威胁 |
| 1.2 研究意义 |
| 1.3 研究现状 |
| 1.3.1 储粮品质研究现状 |
| 1.3.2 机器学习算法 |
| 1.3.3 机器学习在粮食储藏中的应用 |
| 1.4 论文的研究目标与研究内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.5 本文的结构 |
| 第2章 基于粮情数据的储粮品质分析与建模方法研究 |
| 2.1 引言 |
| 2.2 储粮生态区的选择 |
| 2.3 数据检测方法与标准 |
| 2.3.1 粮情数据采集 |
| 2.3.2 扦样方法 |
| 2.3.3 水分测定 |
| 2.3.4 品尝评分值测定 |
| 2.3.5 脂肪酸值测定 |
| 2.4 储粮数据处理与统计规律分析 |
| 2.4.1 储藏温度变化规律 |
| 2.4.2 储粮水分变化规律 |
| 2.4.3 储粮品质变化规律 |
| 2.5 数据驱动的储粮品质预测方法研究 |
| 2.5.1 储粮品质预测方法研究 |
| 2.5.2 数据驱动的预测方法分析 |
| 2.6 基于机器学习方法的储粮品质预测过程 |
| 2.6.1 建模过程 |
| 2.6.2 预测过程 |
| 2.7 本章小结 |
| 第3章 数据预处理方法研究 |
| 3.1 引言 |
| 3.2 粮温数据预处理方法研究 |
| 3.2.1 重复及缺失的历史温度数据修复方法 |
| 3.2.2 异常的历史温度数据判断方法 |
| 3.3 基于滑动窗口的粮温预测算法 |
| 3.3.1 预测模型的建立 |
| 3.3.2 滑动窗口算法 |
| 3.3.3 不同参数选择分析与讨论 |
| 3.4 预测因子的筛选与处理 |
| 3.4.1 数据统计 |
| 3.4.2 主成分分析法的基本原理与过程 |
| 3.4.3 主成分分析结果 |
| 3.5 本章小结 |
| 第4章 基于多核学习的储粮品质预测模型研究 |
| 4.1 引言 |
| 4.2 多核学习理论 |
| 4.2.1 多核学习方法 |
| 4.2.2 单步多核学习算法 |
| 4.2.3 两步多核学习算法 |
| 4.3 基于多核学习的储粮品质预测模型 |
| 4.3.1 多核支持向量回归模型 |
| 4.3.2 模型优化算法 |
| 4.4 实验与分析 |
| 4.4.1 实验数据介绍 |
| 4.4.2 实验设置与评价指标 |
| 4.4.3 多核学习模型的影响因素 |
| 4.4.4 脂肪酸值预测结果分析 |
| 4.4.5 品尝评分值预测结果分析 |
| 4.4.6 不同模型的对比实验 |
| 4.5 本章小结 |
| 第5章 基于多任务与多核学习的储粮品质预测模型研究 |
| 5.1 引言 |
| 5.2 多任务学习理论 |
| 5.2.1 基本概念 |
| 5.2.2 多任务学习的正则化模型 |
| 5.3 基于多任务与多核学习的储粮品质预测模型 |
| 5.3.1 多任务与多核学习框架 |
| 5.3.2 模型优化算法 |
| 5.4 实验与分析 |
| 5.4.1 实验设置与评价指标 |
| 5.4.2 多任务与多核学习模型的影响参数分析 |
| 5.4.3 样本数量对多任务与多核学习模型的影响 |
| 5.4.4 多任务与多核学习模型预测结果分析 |
| 5.5 本章小结 |
| 第6章 储粮安全预警系统的设计与开发 |
| 6.1 引言 |
| 6.2 储粮安全预警系统的构建 |
| 6.2.1 软件系统需求分析 |
| 6.2.2 系统功能分析 |
| 6.2.3 系统功能设计 |
| 6.2.4 警级规则制定 |
| 6.2.5 系统流程图 |
| 6.3 系统功能模块实现 |
| 6.3.1 登陆访问模块 |
| 6.3.2 数据连接 |
| 6.3.3 数据清洗 |
| 6.3.4 预测模块 |
| 6.3.5 文件保存 |
| 6.4 系统运行效果的验证及分析 |
| 6.4.1 实仓基本信息 |
| 6.4.2 结果与分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 本文工作总结 |
| 7.2 特色与创新 |
| 7.3 本文工作不足与展望 |
| 参考文献 |
| 作者简介及在学期间研究成果 |
| 攻读博士学位期间参与的项目 |
| 致谢 |
（3）基于小样本的水稻害虫检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 前言 |
| 1.1 研究的目的和意义 |
| 1.2 国内外研究动态和趋势 |
| 1.2.1 农业害虫检测算法的基本框架 |
| 1.2.2 针对害虫小目标的检测算法 |
| 1.2.3 少样本目标检测研究现状 |
| 1.3 研究目标、内容和技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 研究方案和技术路线 |
| 2 小样本目标检测算法相关理论基础 |
| 2.1 害虫检测算法 |
| 2.1.1 害虫数据集的构建 |
| 2.1.2 骨干网络预训练 |
| 2.1.3 优化方式 |
| 2.2 少样本目标检测算法 |
| 2.2.1 少样本学习定义 |
| 2.2.2 框架类别 |
| 2.2.3 训练方式 |
| 2.3 基准数据集 |
| 2.4 本章小结 |
| 3 基于级联R-CNN水稻害虫检测算法的设计 |
| 3.1 水稻害虫数据集的构建 |
| 3.2 级联R-CNN水稻害虫检测模型 |
| 3.3 基于级联R-CNN算法的优化 |
| 3.3.1 感兴趣区域校准 |
| 3.3.2 多层特征融合 |
| 3.3.3 Soft NMS |
| 3.4 实验结果分析与讨论 |
| 3.4.1 模型性能指标 |
| 3.4.2 实验设置 |
| 3.4.3 网络训练 |
| 3.4.4 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于注意力机制的少样本识别模型的设计 |
| 4.1 FSDetView模型结构 |
| 4.2 基于注意力机制对区域建议网络的优化 |
| 4.2.1 注意力建议框提取网络的结构 |
| 4.2.2 损失函数 |
| 4.3 实验结果分析与讨论 |
| 4.3.1 实验设置 |
| 4.3.2 网络训练 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 主要研究结论 |
| 5.2 主要创新点 |
| 5.3 进一步研究展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 个人情况 |
| 教育背景 |
| 在学期间发表论文 |
（4）储粮害虫实仓在线检测识别技术研究现状与展望（论文提纲范文）
| 1 传统储粮害虫监测方法 |
| 2 基于图像识别的实仓在线监测技术 |
| 2.1 静态图像识别检测方法 |
| 2.2 动态视频识别检测方法 |
| 2.3 在线监测系统的开发 |
| 3 基于害虫声信号的实仓在线监测技术 |
| 3.1 基于害虫声学信号检测方法的原理 |
| 3.2 储粮害虫声检测方法新进展 |
| 4 展望 |
（5）图像处理技术在粮食害虫识别中的应用进展（论文提纲范文）
| 1 传统机器学习在粮虫检测中的应用 |
| 1.1 图像预处理 |
| 1.2 特征提取 |
| 1.3 识别分类 |
| 2 深度学习在粮虫检测中的应用 |
| 3 种群密度估计 |
| 4 结论与展望 |
（6）基于深度学习的多目标储粮害虫识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 深度学习的研究现状 |
| 1.2.2 小目标检测的研究现状 |
| 1.2.3 粮食害虫检测研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文的组织结构 |
| 2 深度学习理论概述 |
| 2.1 目标检测算法基础 |
| 2.1.1 卷积神经网络基础结构 |
| 2.1.2 常见卷积神经网络 |
| 2.2 两阶段目标检测算法 |
| 2.2.1 Faster R-CNN算法 |
| 2.2.2 R-FCN算法 |
| 2.3 单阶段目标检测算法 |
| 2.4 本章小结 |
| 3 常见储粮害虫图像数据集的建立 |
| 3.1 储粮害虫图像的获取 |
| 3.2 储粮害虫图像的数据增强 |
| 3.3 图像数据集的制作 |
| 3.4 本章小结 |
| 4 基于Faster R-CNN的小目标储粮害虫检测研究 |
| 4.1 不同模型的通用目标检测效果 |
| 4.2 实验平台环境与参数选择 |
| 4.3 模型的评估指标 |
| 4.4 基于目标图像扩充的目标检测 |
| 4.4.1 储粮害虫图像数据集的文件规范化 |
| 4.4.2 目标检测模型的参数设置 |
| 4.4.3 数据增强的实验结果与分析 |
| 4.5 基于小目标储粮害虫图像的检测 |
| 4.5.1 多尺度特征图的生成 |
| 4.5.2 模型训练过程的可视化与分析 |
| 4.5.3 模型的效果验证 |
| 4.5.4 候选框的调整 |
| 4.5.5 模型间的效果对比 |
| 4.6 检测结果的可视化与统计 |
| 4.7 本章小结 |
| 5 基于云计算的储粮害虫图像检测系统 |
| 5.1 平台整体工作流程 |
| 5.2 监测仪器的设计 |
| 5.3 图像数据的处理与存储 |
| 5.4 检测结果可视化界面设计 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 作者在读期间的科研成果 |
| 个人简介 |
| 致谢 |
（7）现代信息技术在储粮害虫检测中的应用（论文提纲范文）
| 1 储粮害虫信息检测技术 |
| 2 光学检测法及应用 |
| 2.1 近红外光谱检测法 |
| 2.2 生物光子检测法 |
| 2.3 CT成像法 |
| 2.4 光引诱法 |
| 3 声学检测法及应用 |
| 3.1 压缩感知法 |
| 3.2 流形学习法 |
| 3.3 功率谱分析法 |
| 4 图像识别法及应用 |
| 4.1 支持向量机 |
| 4.2 多标记学习 |
| 4.3 深度学习 |
| 5 其他检测技术及应用 |
| 5.1 电导率法 |
| 5.2 气味分析法 |
| 5.3 陷阱式诱捕法 |
| 6 结论 |
（8）基于储粮害虫预测的粮库测控系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 粮库害虫检测的方法及研究现状 |
| 1.2.2 害虫预测的理论研究 |
| 1.3 课题研究的目的和内容 |
| 1.4 论文的组织结构 |
| 第2章 理论知识基础 |
| 2.1 储粮害虫发育的影响因子概述 |
| 2.2 预测算法模型的评价指标 |
| 2.3 传统机器学习回归算法 |
| 2.3.1 线性回归算法 |
| 2.3.2 岭回归算法 |
| 2.3.3 支持向量回归算法 |
| 2.4 深度学习算法 |
| 2.4.1 深度学习模型和神经网络 |
| 2.4.2 循环神经网络和卷积神经网络 |
| 2.4.3 LSTM网络结构和双向LSTM |
| 2.4.4 Keras框架简介 |
| 2.5 本章小结 |
| 第3章 储粮害虫预测算法研究 |
| 3.1 数据源介绍 |
| 3.2 温湿度传感器与害虫诱捕器布点方案 |
| 3.2.1 温湿度传感器布点方案 |
| 3.2.2 害虫诱捕器布点方案 |
| 3.3 数据预处理 |
| 3.4 基于粮堆虫害数据的预测算法研究 |
| 3.5 实验结果 |
| 3.6 本章小结 |
| 第4章 储粮害虫智能测控系统设计 |
| 4.1 储粮害虫智能测控系统的产品调研 |
| 4.2 储粮害虫智能测控系统的功能需求分析 |
| 4.2.1 储粮害虫监测功能 |
| 4.2.2 储粮害虫预测功能 |
| 4.2.3 储粮害虫预警和除虫功能 |
| 4.2.4 虫害报告的生成与导出功能 |
| 4.2.5 可视化呈现 |
| 4.2.6 用户和权限管理功能 |
| 4.3 储粮害虫智能测控系统设计 |
| 4.4 储粮害虫智能测控系统功能展示 |
| 4.4.1 粮库总览 |
| 4.4.2 温度、害虫情况监测 |
| 4.4.3 储粮害虫预测和预警 |
| 4.4.4 除虫作业 |
| 4.5 储粮害虫智能测控系统的测试 |
| 4.6 本章小结 |
| 第5章 关键链技术在智慧粮库项目管理中的应用 |
| 5.1 关键链技术概述 |
| 5.2 智能粮情测控系统研发项目简介 |
| 5.3 智能粮情测控系统研发项目管理现状及分析 |
| 5.4 关键链技术在智能粮情测控系统研发项目中的应用 |
| 5.4.1 项目WBS与初始进度计划 |
| 5.4.2 运用关键链技术进行优化 |
| 5.4.3 实际实施结果 |
| 5.5 本章小结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者在学习期间取得的科研成果 |
（9）中国储藏物拟步甲分类研究（鞘翅目：拟步甲科）（论文提纲范文）
| 摘要 |
| Abstract |
| 总论 |
| 第一章 概述 |
| 1.1 储藏物拟步甲含义与分类地位 |
| 1.1.1 储藏物拟步甲 |
| 1.1.2 分类地位 |
| 1.1.3 物种多样性及部分种名修订 |
| 1.2 世界储藏物拟步甲分类概况 |
| 1.2.1 国外概况 |
| 1.2.2 国内概况 |
| 1.3 研究目的意义及科学问题 |
| 1.3.1 研究目的意义 |
| 1.3.2 研究的科学问题 |
| 第二章 生物学特性与经济意义 |
| 2.1 生物学特征 |
| 2.1.1 食性 |
| 2.1.2 生活史 |
| 2.2 经济意义 |
| 2.2.1 发生与为害 |
| 2.2.2 综合治理 |
| 第三章 研究材料与方法 |
| 3.1 研究材料 |
| 3.1.1 标本来源 |
| 3.1.2 文献来源 |
| 3.2 研究方法 |
| 3.2.1 物种搜集与名录整理 |
| 3.2.2 分类鉴定与描述 |
| 3.2.3 拍照与绘图 |
| 3.2.4 分类研究 |
| 第四章 形态术语 |
| 4.1 成虫(图 1、2) |
| 4.2 卵(图 3) |
| 4.3 幼虫(图 4) |
| 4.4 蛹(图 5) |
| 第五章 中国储藏物拟步甲区系组成与分布 |
| 5.1 区系组成特点 |
| 5.2 地理分布特点 |
| 第六章 研究展望 |
| 各论 |
| 拟步甲科 Tenebrionidae Latreille, 1802 |
| 伪叶甲亚科 Lagriinae Latreille, 1825 |
| Ⅰ 片甲族 Cossyphini Latreille, 1802 |
| 片甲属 Cossyphus Olivier, 1791 |
| 1. 扁片甲 Cossyphus (Cossyphus) depressus (Fabricius, 1781)(图 6;图版Ⅰ) |
| Ⅱ 垫甲族 Lupropini Ardoin, 1958 |
| 垫甲属 Luprops Hope, 1833 |
| 2. 东方小垫甲Luprops orientalis (Motschulsky, 1868) (图 7;图版Ⅰ) |
| 3. 云南垫甲 Luprops yunnanus (Fairmaire, 1887) (图 8;图版Ⅰ) |
| 漠甲亚科 Pimeliinae Latreille, 1802 |
| Ⅲ 砚甲族 Akidini Billberg, 1820 |
| 砚甲属 Cyphogenia Solier, 1837 |
| 4. 中华砚甲 Cyphogenia (Cyphogenia) chinensis (Faldermann, 1835) (图 9;图版Ⅰ) |
| 5. 肩脊砚甲 Cyphogenia (Cyphogenia) humeralis Bates, 1879(图 10;图版Ⅰ) |
| 6. 齿砚甲 Cyphogenia (Cyphogenia) rugipennis (Faldermann, 1835)(图 11;图版Ⅰ) |
| Ⅳ 沟甲族 Cnemeplatiini Jacquelin du Val, 1861 |
| 沟甲属 Philhammus Fairmaire, 1871 |
| 7. 李氏沟甲 Philhammus (Philhammus) leei Kaszab, 1962 (图 12;图版Ⅰ) |
| Ⅴ 掘甲族 Lachnogyini Seidlitz, 1894 |
| 掘甲属 Netuschilia Reitter, 1904 |
| 8.郝氏掘甲Netuschilia hauseri (Reitter, 1897) |
| Ⅵ 龙甲族 Leptodini Lacordaire, 1859 |
| 龙甲属 Leptodes Dejean, 1934 |
| 9.短脊龙甲Leptodes brevicarina Ren, 1999 |
| 10. 中华龙甲 Leptodes chinensis Kaszab, 1962 (图 13;图版Ⅰ) |
| 11. 沟胸龙甲 Leptodes sulcicollis Reitter, 1889(图 14;图版Ⅰ) |
| 12. 谢氏龙甲 Leptodes szekessyi Kaszab, 1962(图 15;图版Ⅱ) |
| 13.莱氏龙甲Leptodes (Proleptodes) reitteri Semenov, 1891 |
| Ⅶ 漠甲族 Pimeliini Latreille, 1802 |
| 卵漠甲属 Ocnera Fischer von Waldheim, 1822 |
| 14. 皮氏卵漠甲 Ocnera sublaevigata przewalskyi Reitter, 1887(图 16;图版Ⅱ) |
| 宽漠甲属 Sternoplax J. Frivaldszky, 1889 |
| 15. 谢氏宽漠甲 Sternoplax (Sternoplax) szeehenyi J. Frivaldszky, 1889(图 17;图版Ⅱ) |
| 16.光滑胖漠甲Trigonoscelis (Chinotrigon) sublaevigata sublaevigata Reitter, 1887 |
| Ⅷ 鳖甲族 Tentyriin Eschscholtz, 1831 |
| 小鳖甲属 Microdera Eschscholtz, 1831 |
| 17.姬小鳖甲 Microdera (Dordanea) elegans (Reitter, 1887) (图 19;图版Ⅱ) |
| 18.蒙古小鳖甲 Microdera (Microdera) mongolica mongolica (Reitter, 1889) (图 20;图版Ⅱ) |
| 拟步甲亚科 Tenebrioninae |
| Ⅸ 粉甲族 Alphitobiini Reitter, 1917 |
| 粉甲属 Alphitohius Stephens, 1829 |
| 19.黑粉甲Alphitohius diaperinus (Panzer, 1796) (图 21;图版Ⅱ) |
| 20.小菌虫Alphitobius laevigatus (Fabricius, 1781) |
| 21.暗红褐菌虫Alphitobius viator Mulsant et Godart, 1868 |
| Ⅹ 琵甲族 Blaptini Leach, 1815 |
| 琵甲属 Blaps Fabricius, 1775 |
| 22. 拟步行琵甲 Blaps (Blaps) caraboides caraboides Allard, 1882(图 23;图版Ⅲ) |
| 23. 中华琵甲 Blaps (Blaps) chinensis (Faldermann, 1835) (图 24;图版Ⅲ) |
| 24. 达氏琵甲 Blaps (Blaps) davidea Deyrolle, 1878(图 25;图版Ⅲ) |
| 25. 步行琵甲 Blaps (Blaps) gressoria Reitter, 1889(图 26;图版Ⅲ) |
| 26. 日本琵甲 Blaps (Blaps) japonensis japonensis Marseul, 1879(图 27;图版Ⅲ) |
| 27. 戈壁琵甲 Blaps (Blaps) kashgarensis gobiensis Frivaldszky, 1889(图 28;图版Ⅲ) |
| 28. 喀什琵甲 Blaps (Blaps) kashgarensis Baters, 1879(图 29;图版Ⅲ) |
| 29. 细长琵甲 Blaps (Blaps) oblonga Kraatz, 1883(图 30;图版Ⅲ) |
| 30. 磨光琵甲 Blaps (Blaps) opaca (Reitter, 1889) (图 31;图版Ⅲ) |
| 31. 皱纹琵甲 Blaps (Blaps) rugosa Gebler, 1825(图 32;图版Ⅳ) |
| Ⅺ 土甲族 Opatrini Brullé, 1832 |
| 土甲属 Gonocephalum Solier, 1834 |
| 32. 二纹土甲 Gonocephalum (Gonocephalum) bilineatum (Walker, 1858)(图 33;图版Ⅳ) |
| 33. 侏土甲 Gonocephalum (Gonocephalum) granulatum pusillum (Fabricius, 1792)(图 34;图版Ⅳ) |
| 34. 直胫土甲Gonocephalum (Gonocephalum) hadroide (Fairmaire, 1888) |
| 35. 突厥土甲 Gonocephalum (Gonocephalum) patruele turchestanicum Gridelli, 1948(图 35;图版Ⅳ) |
| 36. 毛土甲 Gonocephalum (Gonocephalum) pubens (Marseul, 1876) (图 36) |
| 37. 小土甲 Gonocephalum (Gonocephalum) pygmaeum (Steven, 1829)(图 37;图版Ⅳ) |
| 38. 网目土甲Gonocephalum (Gonocephalum) reticulatum Motschulsky, 1854 |
| 39. 无齿土甲 Gonocephalum (Gonocephalum) schneideri Reitter, 1898(图 39;图版Ⅳ) |
| 40. 小瘤土甲 Gonocephalum (Gonocephalum) tuberculatum (Hope, 1831)(图 40;图版Ⅳ) |
| 41. 扁毛土甲Mesomorphus villiger (Blanchard, 1853)沙土甲属Opatrum Fabricius, 1775 |
| 42. 沙土甲 Opatrum (Opatrum) sabulosum sabulosum (Linnaeus, 1760) (图 42;图版Ⅴ) |
| 43. 类沙土甲Opatrum (Opatrum) subaratum Faldermann, 1835 |
| Ⅻ 帕谷甲族 Palorini E. G. Matthews, 2003 |
| 帕谷甲属 Palorus Mulsant, 1854 |
| 44. 小粉甲 Palorus cerylonoides (Pascoe, 1863) |
| 45. 姬粉甲 Palorus ratzeburgii (Wissmann, 1848)(图版Ⅴ) |
| 46. 亚扁粉甲 Palorus subdepressus (Wollaston, 1864) (图版Ⅴ) |
| 47. 深沟粉甲 Ulomina carinata Baudi di Selve, 1876(图版Ⅴ) |
| 48. 龙骨粉甲 Ulomina martinae Scupola, 2002(图版Ⅴ) |
| ⅩⅢ 扁足甲族Pedinini直扁足甲属Blindus Mulsant & Rey, 1853 |
| 直扁足甲属 Blindus Mulsant & Rey, 1853 |
| 49. 瘦直扁足甲 Blindus strigosus (Faldermann, 1835) (图 44;图版Ⅴ) |
| ⅩⅣ 刺甲族 Platyscelidini Lacordaire, 1859 |
| 齿刺甲属 Oodescelis Motschulsky, 1845 |
| 50. 邻卵齿刺甲 Oodescelis (Ovaloodescelis) affinis (Seidlitz, 1893) (图 45;图版Ⅴ) |
| 51. 卵形齿刺甲 Oodescelis (Ovaloodescelis) ovalis (Ballion, 1878)(图 46;图版Ⅴ) |
| 52. 类卵齿刺甲 Oodescelis (Ovaloodescelis) similis similis (Kaszab, 1938)(图 46;图版Ⅵ) |
| ⅩⅤ 拟步甲族 Tenebrionini Latreille, 1802 |
| 53. 小点拟粉甲 Ariarathus atronitens (Fairmaire, 1891)(图版Ⅵ) |
| 54. 大点拟粉甲 Neatus picipes (Herbst, 1797)(图版Ⅵ) |
| 拟步甲属Tenebrio Linnaeus, 1758 |
| 55. 黄粉虫 Tenebrio molitor Linnaeus, 1758(图 48;图版Ⅵ) |
| 56. 黑粉虫 Tenebrio obscurus Fabricius, 1792(图版Ⅵ) |
| 57. 大黑甲 Zophobas opacus (Sahlberg, 1823)(图 49;图版Ⅵ) |
| ⅩⅥ 拟粉甲族Triboliini |
| 58. 长头谷盗 Latheticus oryzae Waterhouse, 1880(图版Ⅵ) |
| 拟粉甲属 Tribolium W. S. Mac Leay, 1825 |
| 59. 赤拟粉甲 Tribolium castaneum (Herbst, 1797)(图 50;图版Ⅵ) |
| 60. 杂拟粉甲 Tribolium confusum Jacquelin du Val, 1861(图版Ⅵ) |
| 61. 弗氏拟粉甲 Tribolium freemani Hinton, 1948(图版Ⅶ) |
| 菌甲亚科 Diaperinae Latreille, 1802 |
| ⅩⅦ 隐甲族 Crypticini Brullé, 1832 |
| 隐甲属 Crypticus Latreille, 1817 |
| 63. 瘦隐甲Crypticus (Crypticus) latiusculus (Ménétriès, 1849)(图版Ⅶ) |
| 64. 淡红毛隐甲Crypticus (Seriscius) rufipes Gebler, 1829(图 51;图版Ⅶ) |
| 65. 小隐甲 Ellipsodes (Anthrenopsis) scriptus (Lewis, 1894)(图版Ⅶ) |
| ⅩⅧ 菌甲族 Diaperini Latreille, 1802 |
| 66.二带粉菌甲Alphitophagus bifasciatus (Say, 1824) |
| 67. 刘氏菌甲 Diaperis lewisi lewisi Bates, 1873(图 53;图版Ⅶ) |
| 68. 细角谷盗 Gnatocerus (Echocerus) maxillosus (Fabricius, 1801)(图版Ⅶ) |
| 69. 阔角谷盗 Gnatocerus (Gnatocerus) cornutus (Fabricius, 1798)(图版Ⅷ) |
| 70. 洋虫 Ulomoides dermestoides (Chevrolat, 1878)(图版Ⅷ) |
| ⅩⅨ 皮下甲族 Hypophlaeini Billberg, 1820 |
| 71. 毕氏粉甲 Corticeus (Tylophloeus) curtithorax (Pic, 1924)(图版Ⅷ) |
| 窄甲亚科 Stenochiinae Kirby, 1837 |
| ⅩⅩ 轴甲族 Cnodalonini Oken, 1843 |
| 72. 弯胫大轴甲 Promethis valgipes valgipes (Marseul, 1876)(图 54;图版Ⅷ) |
| 参考文献 |
| 图版 |
| 致谢 |
| 研究生期间完成的论文与科研活动经历 |
（10）基于探管式诱捕器的储粮害虫在线监测设备及算法研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.3.1 储粮害虫在线监测设备的设计与实现 |
| 1.3.2 分类识别算法的研究与实现 |
| 1.3.3 不同因素对设备监测识别效果的影响研究 |
| 1.3.4 储粮害虫在线监测设备性能测试 |
| 1.4 本文主要结构及章节安排 |
| 第二章 储粮害虫在线监测设备的研究与实现 |
| 2.1 储粮害虫在线监测设备概览 |
| 2.2 数据传输装置的研究与实现 |
| 2.2.1 数据传输装置整体架构设计 |
| 2.2.2 总线通信与数据上传的设计与实现 |
| 2.2.2.1 RS-485 |
| 2.2.2.2 Protocol Buffers |
| 2.2.2.3 数据传输协议及其实现 |
| 2.2.3 数据传输装置软件设计与实现 |
| 2.2.3.1 Raspbian操作系统 |
| 2.2.3.2 数据传输装置控制管理软件 |
| 2.3 OITD-PI的研究与实现 |
| 2.3.1 OITD-PI整体架构设计 |
| 2.3.2 OITD-PI结构设计与实现 |
| 2.3.2.1 Solidworks |
| 2.3.2.2 OITD-PI结构 |
| 2.3.3 OITD-PI电路设计与实现 |
| 2.3.3.1 Altium Designer |
| 2.3.3.2 OITD-PI电路 |
| 2.3.4 OITD-PI软件设计与实现 |
| 2.3.4.1 MDK |
| 2.3.4.2 OITD-PI软件 |
| 2.4 本章小结 |
| 第三章 分类识别算法的研究与实现 |
| 3.1 数据采集 |
| 3.1.1 红外光电序列 |
| 3.1.2 数据集的建立 |
| 3.2 数据分布的稳定性分析 |
| 3.2.1 方差分析 |
| 3.2.1.1 方差分析简介 |
| 3.2.1.2 方差分析假设 |
| 3.2.1.3 方差分析计算 |
| 3.2.2 对初始高度的鲁棒性分析 |
| 3.2.3 对样本多样性的鲁棒性分析 |
| 3.2.4 对害虫种别的鲁棒性分析 |
| 3.3 红外光电序列恢复算法 |
| 3.4 特征提取 |
| 3.5 支持向量机 |
| 3.6 实验与结论 |
| 3.7 本章小结 |
| 第四章 不同因素对设备监测识别效果的影响研究 |
| 4.1 采样频率 |
| 4.2 传感器公差 |
| 4.3 器件老化、环境变化 |
| 4.4 本章小结 |
| 第五章 储粮害虫在线监测设备性能测试 |
| 5.1 设备的模拟部署方案 |
| 5.2 设备的模拟运行效果 |
| 5.2.1 总线通信 |
| 5.2.2 数据识别 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
四、粮仓害虫的特征提取与分类的研究（论文参考文献）
- [1]基于粮情的粮仓环境智能调控系统[D]. 张莹莹. 江苏科技大学, 2021
- [2]基于机器学习的储粮品质预测方法及应用研究[D]. 王启阳. 吉林大学, 2021(01)
- [3]基于小样本的水稻害虫检测算法研究[D]. 刘凯旋. 黑龙江八一农垦大学, 2021(09)
- [4]储粮害虫实仓在线检测识别技术研究现状与展望[J]. 钱志海,张超,付松林. 粮食科技与经济, 2021(02)
- [5]图像处理技术在粮食害虫识别中的应用进展[J]. 吕宗旺,金会芳,甄彤,孙福艳. 河南工业大学学报(自然科学版), 2021(03)
- [6]基于深度学习的多目标储粮害虫识别研究[D]. 王金. 浙江农林大学, 2020(07)
- [7]现代信息技术在储粮害虫检测中的应用[J]. 许德刚,李凡. 中国粮油学报, 2021(03)
- [8]基于储粮害虫预测的粮库测控系统研究[D]. 包成雷. 浙江大学, 2020(02)
- [9]中国储藏物拟步甲分类研究（鞘翅目：拟步甲科）[D]. 李雪. 河北大学, 2020(08)
- [10]基于探管式诱捕器的储粮害虫在线监测设备及算法研究与实现[D]. 王威松. 北京邮电大学, 2020(05)