是数字农业系列专业教材，由马韫韬、于合龙、陈庆山主编，集结多位农业、计算机领域专家联合编著。本书将 Python 编程技术与植物表型研究深度融合，覆盖数字图像、高光谱、三维云、机器学习、深度学习五大主流技术方向，配套完整案例代码。无需深厚编程与数学功底，具备基础计算机操作能力即可学习。面向农业科研人员、农业技术从业者、智慧农业相关专业本研究生，填补国内植物表型 Python 实战教材空白，可用于课程学习、科研实验、课题数据分析，助力生物育种、智慧农业数字化研究，服务农业强国建设。
售 价：¥
纸质售价：¥77.50购买纸书
6.5
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
前言
第1章 绪论
1.1 概述
1.1.1 智慧农业与植物表型
1.1.2 Python在植物表型研究中的应用
1.1.3 本书目标读者与使用指南
1.2 Python简介与环境配置
1.2.1 Python简介
1.2.2 Python的优缺点
1.2.3 Thonny的下载、安装及使用
1.3 Python基础语法
1.3.1 关键字
1.3.2 内置函数
1.3.3 数据类型与运算符
1.3.4 数据结构
1.4 编程范式
1.4.1 标准库
1.4.2 流程控制
1.4.3 函数和类
1.5 本章小结
参考文献
第2章 Python数据处理与绘图
2.1 数据清洗与可视化
2.1.1 数据清洗概述
2.1.2 数据可视化概述
2.2 NumPy数组处理
2.2.1 数组索引与切片
2.2.2 数据统计与分析
2.2.3 数字图像数据处理
2.3 Pandas数据清洗
2.3.1 数据读取与整理
2.3.2 缺失值、重复值和异常值处理
2.3.3 筛选与描述性统计
2.4 Matplotlib绘图
2.4.1 绘图风格及参数
2.4.2 画板及图纸
2.4.3 其他图形
2.4.4 多图绘制及组合
2.5 本章小结与习题
2.5.1 本章小结
2.5.2 习题
参考文献
第3章 数字图像处理
3.1 RGB数字图像处理
3.1.1 数字图像处理概念
3.1.2 Python语言与图像处理库OpenCV
3.1.3 图像处理基本操作
3.2 图像分割
3.2.1 形态学处理
3.2.2 边缘检测
3.2.3 阈值分割
3.2.4 聚类分割法
3.3 图像特征提取
3.3.1 颜色特征
3.3.2 纹理特征
3.3.3 形状特征
3.4 基于数字图像的植物表型解析实战
3.4.1 基于数字图像处理的烟叶表型分析
3.4.2 基于无人机图像的作物幼苗分割与表型提取
3.5 本章小结与习题
3.5.1 本章小结
3.5.2 习题
第4章 光谱数据处理
4.1 光谱图像概述
4.1.1 光谱成像的基本原理
4.1.2 光谱图像的数据结构与格式
4.1.3 光谱图像在植物表型分析中的应用
4.2 光谱数据预处理
4.2.1 光谱数据读取与可视化
4.2.2 光谱图像预处理
4.2.3 图像增强与变换
4.3 光谱特征提取
4.3.1 常用植被指数及其提取流程
4.3.2 高光谱反射峰特征分析与高阶数学变换
4.3.3 高光谱敏感波段筛选
4.4 光谱数据应用案例
4.4.1 多光谱解决方案：作物倒伏等级分类
4.4.2 高光谱解决方案：叶片氮含量估算
4.5 本章小结与习题
4.5.1 本章小结
4.5.2 习题
参考文献
第5章 基于三维点云的植物表型数据分析
5.1 近景主动式三维测量技术
5.1.1 基于激光数据的点云获取方法
5.1.2 基于多视角立体视觉的植株三维重建
5.1.3 基于无人机交叉环绕的作物群体结构三维重建
5.1.4 基于激光雷达的三维点云获取
5.2 点云数据的基本处理方法
5.2.1 点云的格式与属性
5.2.2 点云的基础操作
5.2.3 点云的滤波
5.3 点云的分割与拟合
5.3.1 常见的点云拟合方法
5.3.2 常见的点云分割方法
5.4 植物三维表型解析实战
5.4.1 植物器官表型解析实战
5.4.2 植物个体表型解析实战
5.4.3 植物群体表型解析实战
5.5 本章小结与习题
5.5.1 本章小结
5.5.2 习题
第6章 机器学习原理与实战
6.1 机器学习概述
6.1.1 数据集和特征
6.1.2 监督学习和无监督学习
6.1.3 模型评估方法
6.1.4 模型性能指标
6.1.5 超参数优化
6.2 数据预处理和特征工程
6.2.1 数据清洗和缺失值处理
6.2.2 特征变换方法与处理
6.2.3 特征选择方法
6.2.4 特征抽取方法
6.3 监督学习
6.3.1 线性回归
6.3.2 多项式回归
6.3.3 逐步回归
6.3.4 岭回归
6.3.5 Lasso回归
6.3.6 支持向量机
6.3.7 朴素贝叶斯
6.3.8 Logistic判别
6.3.9 决策树
6.3.10 随机森林
6.4 无监督学习
6.4.1 聚类分析原理
6.4.2 层次聚类分析
6.4.3 划分聚类分析
6.5 基于机器学习的产量预测实战
6.5.1 导入所需函数
6.5.2 数据读取
6.5.3 训练集和测试集的划分
6.5.4 特征级融合
6.5.5 决策级融合
6.6 本章小结与习题
6.6.1 本章小结
6.6.2 习题
参考文献
第7章 基于深度学习的病害识别、计数与产量建模研究
7.1 深度学习概念与原理
7.1.1 深度学习概念
7.1.2 关键原理与技术
7.1.3 优化算法
7.1.4 训练技巧
7.2 深度学习模型基础构建
7.2.1 Tensor简介
7.2.2 数据集定义与加载
7.2.3 数据预处理
7.2.4 模型组网
7.2.5 训练与预测
7.3 常用深度学习网络
7.3.1 图像分类
7.3.2 目标检测
7.3.3 图像分割
7.4 图像分类在植物表型中的应用
7.4.1 植物品种分类
7.4.2 病害识别
7.4.3 生育期检测
7.5 目标检测在植物表型中的应用
7.5.1 计数
7.5.2 定位
7.6 图像分割在植物表型中的应用
7.6.1 计数
7.6.2 各类表型参数提取
7.7 本章小结与习题
7.7.1 本章小结
7.7.2 习题
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
