基于机器视觉的蚕茧外观检测系统算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外发展现状及趋势 | 第10-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 第二章 OpenCV 和数字图像处理 | 第12-15页 |
| 2.1 OpenCV 概述 | 第12-13页 |
| 2.2 数字图像处理 | 第13-14页 |
| 2.2.1 数字图像处理的目的 | 第13页 |
| 2.2.2 数字图像处理的内容 | 第13-14页 |
| 2.3 小结 | 第14-15页 |
| 第三章 蚕茧分类算法总体设计与蚕茧图像采集 | 第15-18页 |
| 3.1 蚕茧图像分类算法总体设计 | 第15-16页 |
| 3.2 蚕茧图像采集装置 | 第16页 |
| 3.3 图像采集条件研究 | 第16-17页 |
| 3.4 实验方案与结果分析 | 第17页 |
| 3.5 本章小结 | 第17-18页 |
| 第四章 蚕茧图像预处理和边缘检测算法 | 第18-37页 |
| 4.1 蚕茧图像预处理算法 | 第18页 |
| 4.2 平滑空间滤波器 | 第18-26页 |
| 4.2.1 均值滤波 | 第19-20页 |
| 4.2.2 中值滤波 | 第20-21页 |
| 4.2.3 高斯滤波 | 第21-22页 |
| 4.2.4 滤波效果总结评价 | 第22-26页 |
| 4.3 蚕茧图像的二值化处理算法 | 第26-30页 |
| 4.3.1 固定阈值的二值化处理方法 | 第26-27页 |
| 4.3.2 自动阈值的二值化处理方法 | 第27-30页 |
| 4.3.3 二值化效果总结 | 第30页 |
| 4.4 蚕茧图像边缘检测算法 | 第30-36页 |
| 4.4.1 图像梯度性质 | 第30-31页 |
| 4.4.2 三种梯度算子 | 第31-36页 |
| 4.5 本章小结 | 第36-37页 |
| 第五章 蚕茧特征提取算法 | 第37-42页 |
| 5.1 异色异形茧 | 第37页 |
| 5.2 蚕茧形状特征选取 | 第37-38页 |
| 5.3 蚕茧颜色参数提取算法 | 第38-41页 |
| 5.4 本章小结 | 第41-42页 |
| 第六章 蚕茧图像分类器的设计 | 第42-62页 |
| 6.1 感知器算法 | 第42-44页 |
| 6.1.1 单层感知器 | 第42-43页 |
| 6.1.2 多层感知器 | 第43-44页 |
| 6.2 BP 神经网络算法 | 第44-52页 |
| 6.2.1 BP 神经网络模型 | 第44-45页 |
| 6.2.2 BP 神经网络学习算法 | 第45-48页 |
| 6.2.3 BP 算法的优点和缺点 | 第48-49页 |
| 6.2.4 BP 神经网络基础设计 | 第49-52页 |
| 6.3 BP 神经网络在蚕茧分类中的应用设计 | 第52-55页 |
| 6.3.1 BP 网络设计 | 第52-53页 |
| 6.3.2 基于 BP 算法的试验与结果分析 | 第53-55页 |
| 6.4 改进的蚕茧分类算法 | 第55-60页 |
| 6.4.1 共轭梯度法的基本原理 | 第55-56页 |
| 6.4.2 共轭梯度 BP 算法 | 第56-57页 |
| 6.4.3 基于改进算法的试验与结果分析 | 第57-58页 |
| 6.4.4 基于 OpenCV 软件的算法实现 | 第58-60页 |
| 6.5 本章小结 | 第60-62页 |
| 第七章 总结与展望 | 第62-65页 |
| 7.1 总结 | 第62-63页 |
| 7.2 展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 发表论文和参加科研情况说明 | 第68-69页 |
| 致谢 | 第69页 |
