| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.1.1 课题背景 | 第9-10页 |
| 1.1.2 课题研究意义 | 第10-11页 |
| 1.2 国内外研究综述 | 第11-14页 |
| 1.2.1 水果缺陷检测的常用方法 | 第11-12页 |
| 1.2.2 国内外研究现状 | 第12-13页 |
| 1.2.3 国内外研究存在的问题 | 第13-14页 |
| 1.3 砀山梨的分级研究现状 | 第14页 |
| 1.4 课题的主要研究内容 | 第14-15页 |
| 1.5 课题研究路线 | 第15-17页 |
| 第二章 水果缺陷视觉检测系统 | 第17-22页 |
| 2.1 视觉检测系统的基本组成 | 第17-18页 |
| 2.1.1 系统结构 | 第17页 |
| 2.1.2 硬件要求 | 第17-18页 |
| 2.2 机器视觉系统硬件 | 第18-20页 |
| 2.2.1 摄像机和镜头 | 第18-19页 |
| 2.2.2 光照箱和光源 | 第19-20页 |
| 2.2.3 图像传输 | 第20页 |
| 2.3 实验样本库的制作 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 砀山梨图像分割 | 第22-36页 |
| 3.1 图像预处理 | 第22-25页 |
| 3.1.1 缺陷图像灰度化 | 第22-23页 |
| 3.1.2 图像增强 | 第23-25页 |
| 3.2 图像分割 | 第25-28页 |
| 3.2.1 二值化 | 第25-26页 |
| 3.2.2 阈值分割 | 第26页 |
| 3.2.3 其他处理 | 第26-28页 |
| 3.3 边缘检测 | 第28-33页 |
| 3.3.1 梯度算子 | 第28-30页 |
| 3.3.2 拉普拉斯算子 | 第30-32页 |
| 3.3.3 Canny算子 | 第32-33页 |
| 3.4 形态学处理 | 第33-35页 |
| 3.4.1 形态学基本算子 | 第33-34页 |
| 3.4.2 连通边缘小区域 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 砀山梨表面缺陷特征提取 | 第36-55页 |
| 4.1 纹理特征提取 | 第37-50页 |
| 4.1.1 灰度共生矩阵 | 第37-41页 |
| 4.1.2 Gabor滤波算法 | 第41-46页 |
| 4.1.3 主成分分析法(PrincipalComponentAnalysis,PCA) | 第46-48页 |
| 4.1.4 纹理特征提取方法比较 | 第48-50页 |
| 4.2 颜色特征提取 | 第50-51页 |
| 4.3 几何特征提取 | 第51-53页 |
| 4.3.1 面积 | 第51-52页 |
| 4.3.2 圆形度 | 第52-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 砀山梨表面缺陷模式识别 | 第55-64页 |
| 5.1 模式识别简介 | 第55-56页 |
| 5.2 BP神经网络分类器 | 第56-59页 |
| 5.2.1 BP神经网络特点 | 第57页 |
| 5.2.2 BP神经网络分类器结构设计 | 第57-58页 |
| 5.2.3 BP神经网络实验结果 | 第58-59页 |
| 5.3 SVM支持向量机分类器 | 第59-62页 |
| 5.3.1 SVM分类器分类 | 第60-61页 |
| 5.3.2 支持向量机核函数 | 第61页 |
| 5.3.3 SVM分类器设计 | 第61页 |
| 5.3.4 SVM支持向量机分类器实验结果 | 第61-62页 |
| 5.4 实验结果分析 | 第62页 |
| 5.5 本章小结 | 第62-64页 |
| 第六章 砀山梨表面缺陷识别的系统设计 | 第64-69页 |
| 6.1 系统的软件环境及组成 | 第64-65页 |
| 6.1.1 Matlab概述 | 第64页 |
| 6.1.2 系统组成 | 第64-65页 |
| 6.2 系统的设计开发 | 第65-68页 |
| 6.3 本章小结 | 第68-69页 |
| 第七章 结论与展望 | 第69-71页 |
| 7.1 结论 | 第69页 |
| 7.2 不足之处及未来展望 | 第69-71页 |
| 攻读学位期间发表的学术论文 | 第71-72页 |
| 参考文献 | 第72-75页 |