摘要 | 第5-6页 |
abstract | 第6-7页 |
第一章 引言 | 第11-18页 |
1.1 课题来源 | 第11页 |
1.2 研究目的和意义 | 第11页 |
1.3 色选机工作原理、关键技术及特点 | 第11-13页 |
1.4 国内外色选机研究现状与发展趋势 | 第13-16页 |
1.4.1 国外色选机研究现状 | 第13-14页 |
1.4.2 国内色选机研究现状 | 第14-16页 |
1.4.3 发展趋势 | 第16页 |
1.5 主要研究内容和方法 | 第16-17页 |
1.5.1 研究目标 | 第16页 |
1.5.2 研究内容 | 第16-17页 |
1.5.3 拟解决的关键问题 | 第17页 |
1.5.4 技术路线 | 第17页 |
1.6 本章小结 | 第17-18页 |
第二章 花生仁色选试验 | 第18-26页 |
2.1 试验材料与方法 | 第18-19页 |
2.1.1 试验材料 | 第18页 |
2.1.2 试验装置与仪器 | 第18页 |
2.1.3 试验参数与方法 | 第18-19页 |
2.1.4 数据分析与处理 | 第19页 |
2.2 结果与分析 | 第19-24页 |
2.2.1 试验结果 | 第19-20页 |
2.2.2 回归模型建立与显著性分析 | 第20-21页 |
2.2.3 各单因素对性能指标的影响规律分析 | 第21页 |
2.2.4 交互因素对性能指标的影响规律分析 | 第21-24页 |
2.2.4.1 交互因素对色选精度影响规律分析 | 第21-23页 |
2.2.4.2 交互因素对带出比影响规律分析 | 第23-24页 |
2.3 参数优化与验证试验 | 第24-25页 |
2.3.1 参数优化 | 第24页 |
2.3.2 试验验证 | 第24-25页 |
2.4 本章小结 | 第25-26页 |
第三章 图像处理算法研究与试验 | 第26-36页 |
3.1 图像采集 | 第26页 |
3.2 花生仁图像预处理模型 | 第26-31页 |
3.2.1 RGB图像转灰度图像 | 第26页 |
3.2.2 RGB图像转HIS图像 | 第26-27页 |
3.2.3 图像增强 | 第27-28页 |
3.2.3.1 直方图灰度变换法 | 第27页 |
3.2.3.2 直接灰度变换法 | 第27-28页 |
3.2.4 图像滤波 | 第28-29页 |
3.2.4.1 线性平滑滤波 | 第28页 |
3.2.4.2 中值滤波 | 第28页 |
3.2.4.3 维纳滤波 | 第28-29页 |
3.2.5 图像分割 | 第29-30页 |
3.2.5.1 双峰法 | 第29页 |
3.2.5.2 迭代法 | 第29-30页 |
3.2.6 形态学处理 | 第30页 |
3.2.7 图像合成 | 第30-31页 |
3.3 选取图像的特征参数 | 第31-32页 |
3.4 神经网络分选模型 | 第32-34页 |
3.4.1 BP神经网络训练 | 第33页 |
3.4.2 测试样本试验 | 第33-34页 |
3.5 本章小结 | 第34-36页 |
第四章 系统软件设计 | 第36-53页 |
4.1 系统主控芯片选型 | 第36-37页 |
4.2 花生仁图像预处理模型主要步骤C语言实现 | 第37-45页 |
4.2.1 RGB图像转灰度图像C语言实现 | 第37-38页 |
4.2.2 RGB图像转HSI图像C语言实现 | 第38-40页 |
4.2.3 分段拉伸直接灰度变换法图像增强C语言实现 | 第40-41页 |
4.2.4 中值滤波C语言实现 | 第41-43页 |
4.2.5 迭代法图像分割的C语言实现 | 第43-45页 |
4.3 图像合成和特征参数提取C语言实现 | 第45-47页 |
4.4 BP神经网络分选C语言实现 | 第47-52页 |
4.4.1 重要数据的宏定义 | 第47-48页 |
4.4.2 程序执行过程 | 第48-49页 |
4.4.3 初始化BP神经网络 | 第49-50页 |
4.4.4 BP神经网络训练 | 第50页 |
4.4.5 BP神经网络输出 | 第50-51页 |
4.4.6 BP神经网络的反馈学习 | 第51-52页 |
4.5 本章小结 | 第52-53页 |
第五章 全文总结 | 第53-55页 |
5.1 主要研究内容与结论 | 第53页 |
5.2 创新点 | 第53-54页 |
5.3 后续研究工作的建议 | 第54-55页 |
参考文献 | 第55-60页 |
致谢 | 第60-61页 |
作者简历 | 第61页 |