羊绒羊毛纤维显微视觉特征表达与识别算法研究
| 摘要 | 第4-7页 |
| ABSTRACT | 第7-9页 |
| 1 绪论 | 第14-31页 |
| 1.1 羊绒纤维概述 | 第14-17页 |
| 1.1.1 羊绒纤维 | 第14-15页 |
| 1.1.2 羊绒和羊毛的结构与形态 | 第15-16页 |
| 1.1.3 羊绒和羊毛的物理化学特性 | 第16页 |
| 1.1.4 全球羊绒消费状况 | 第16-17页 |
| 1.2 研究现状 | 第17-24页 |
| 1.2.1 显微镜检测法 | 第17-19页 |
| 1.2.2 近红外光谱法 | 第19-20页 |
| 1.2.3 DNA检测法 | 第20-21页 |
| 1.2.4 基于图像处理与计算机视觉的方法 | 第21-24页 |
| 1.2.5 其他纤维鉴别技术 | 第24页 |
| 1.3 存在的问题和研究内容 | 第24-25页 |
| 1.3.1 存在的问题 | 第24-25页 |
| 1.3.2 研究内容 | 第25页 |
| 1.4 研究意义 | 第25页 |
| 1.5 论文组织结构 | 第25-27页 |
| 参考文献 | 第27-31页 |
| 2 图像分类方法概述 | 第31-47页 |
| 2.1 图像分类技术的发展概述 | 第31-32页 |
| 2.2 图像特征 | 第32-33页 |
| 2.2.1 全局特征 | 第32-33页 |
| 2.2.2 局部特征 | 第33页 |
| 2.3 特征表达方法 | 第33-34页 |
| 2.4 分类方法概述 | 第34-36页 |
| 2.4.1 核岭回归 | 第34-35页 |
| 2.4.2 支持向量机 | 第35-36页 |
| 2.5 卷积神经网络 | 第36-44页 |
| 2.5.1 深度学习的萌芽 | 第36-37页 |
| 2.5.2 卷积神经网络的发展 | 第37页 |
| 2.5.3 卷积神经网络的基本结构 | 第37-40页 |
| 2.5.4 AlexNet | 第40页 |
| 2.5.5 VGGNet | 第40-42页 |
| 2.5.6 GoogLeNet | 第42-43页 |
| 2.5.7 ResNet | 第43-44页 |
| 2.6 本章小结 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 3 显微镜系统的选择及纤维图像采集 | 第47-55页 |
| 3.1 实验制样与实验仪器 | 第47-48页 |
| 3.2 图像采集与分析 | 第48-51页 |
| 3.2.1 人工识别羊绒和羊毛的经验 | 第48页 |
| 3.2.2 图像采集 | 第48-51页 |
| 3.3 分析与总结 | 第51-52页 |
| 3.4 图像采集 | 第52-53页 |
| 3.5 本章小结 | 第53-55页 |
| 4 基于投影曲线的羊绒羊毛识别研究 | 第55-67页 |
| 4.1 生成投影曲线 | 第55-58页 |
| 4.2 特征提取方法 | 第58-61页 |
| 4.2.1 递归定量分析 | 第58-60页 |
| 4.2.2 直接几何描述 | 第60页 |
| 4.2.3 离散小波变换 | 第60-61页 |
| 4.3 分类过程 | 第61页 |
| 4.4 实验结果与分析 | 第61-65页 |
| 4.4.1 实验结果 | 第62-63页 |
| 4.4.2 RQA的最佳阈值距离 | 第63-64页 |
| 4.4.3 对不同混合比纤维的敏感性 | 第64页 |
| 4.4.4 方法对样本的限制 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 参考文献 | 第66-67页 |
| 5 基于词袋模型和空间金字塔匹配的羊绒羊毛识别 | 第67-83页 |
| 5.1 词袋模型的原理 | 第67-69页 |
| 5.1.1 词袋模型的来源 | 第67-68页 |
| 5.1.2 词袋模型的原理 | 第68-69页 |
| 5.2 特征提取 | 第69-72页 |
| 5.3 视觉词典的构建和图像描述 | 第72-75页 |
| 5.3.1 视觉词典的构建 | 第72-73页 |
| 5.3.2 图像描述 | 第73-75页 |
| 5.4 实验数据集与评测标准 | 第75页 |
| 5.4.1 实验数据集 | 第75页 |
| 5.4.2 评测标准 | 第75页 |
| 5.5 实验 | 第75-80页 |
| 5.5.1 图像预处理 | 第75-77页 |
| 5.5.2 实验结果与讨论 | 第77-80页 |
| 5.6 本章小结 | 第80-82页 |
| 参考文献 | 第82-83页 |
| 6 基于LBP特征的羊绒羊毛识别方法研究 | 第83-97页 |
| 6.1 传统LBP | 第83-86页 |
| 6.1.1 原始LBP | 第83-85页 |
| 6.1.2 旋转不变LBP描述子 | 第85页 |
| 6.1.3 LBP描述子对图像的描述方法 | 第85-86页 |
| 6.2 旋转不变的共生LBP | 第86-89页 |
| 6.2.1 共生LBP | 第86-87页 |
| 6.2.2 旋转不变共生LBP | 第87-89页 |
| 6.2.3 旋转不变共生邻近LBP | 第89页 |
| 6.3 基于LBP的羊绒羊毛识别流程 | 第89-90页 |
| 6.4 实验 | 第90-94页 |
| 6.4.1 实验数据集 | 第90页 |
| 6.4.2 实验设置 | 第90页 |
| 6.4.3 图像预处理 | 第90-91页 |
| 6.4.4 实验结果与讨论 | 第91-93页 |
| 6.4.5 基于LBP特征的方法与其他方法的比较 | 第93-94页 |
| 6.4.6 多分类纤维识别 | 第94页 |
| 6.5 本章小结 | 第94-96页 |
| 参考文献 | 第96-97页 |
| 7 基于卷积神经网络羊绒羊毛识别方法 | 第97-117页 |
| 7.1 卷积神经网络 | 第97-98页 |
| 7.2 迁移学习 | 第98-99页 |
| 7.3 数据的降维可视化 | 第99-100页 |
| 7.4 基于反卷积的图像重建 | 第100-101页 |
| 7.5 实验结果与分析 | 第101-115页 |
| 7.5.1 实验数据集 | 第101页 |
| 7.5.2 实验设置 | 第101-102页 |
| 7.5.3 实验结果 | 第102-108页 |
| 7.5.4 基于ImageNet特征的迁移学习 | 第108-109页 |
| 7.5.5 特征图可视化 | 第109-112页 |
| 7.5.6 特征分布可视化 | 第112-113页 |
| 7.5.7 基于反卷积技术的图像重建 | 第113-115页 |
| 7.6 本章小结 | 第115-116页 |
| 参考文献 | 第116-117页 |
| 8 结论与展望 | 第117-120页 |
| 8.1 结论 | 第117-118页 |
| 8.2 不足与展望 | 第118-120页 |
| 攻读学位期间取得的研究成果 | 第120-121页 |
| 致谢 | 第121页 |
