基于机器视觉小麦叶片含水量检测研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究目的与意义 | 第8-9页 |
| 1.2 机器视觉技术简介及应用领域 | 第9-12页 |
| 1.2.1 机器视觉技术的概述 | 第9-10页 |
| 1.2.2 机器视觉技术的发展趋势 | 第10-11页 |
| 1.2.3 机器视觉技术的应用领域 | 第11-12页 |
| 1.3 植物含水量检测的研究现状 | 第12-13页 |
| 1.4 研究内容与技术路线 | 第13-16页 |
| 1.4.1 课题研究内容 | 第13-15页 |
| 1.4.2 课题技术路线 | 第15页 |
| 1.4.3 课题创新点 | 第15-16页 |
| 2.图像采集系统设计 | 第16-18页 |
| 2.1 系统的构成 | 第16-17页 |
| 2.2 图像的采集 | 第17-18页 |
| 3.含水量检测系统的设计及试验方法 | 第18-21页 |
| 3.1 供试作物 | 第18页 |
| 3.2 试验系统及叶片采集 | 第18-20页 |
| 3.2.1 试验系统的组成 | 第18-19页 |
| 3.2.2 叶片图像的采集 | 第19-20页 |
| 3.3 试验方案 | 第20-21页 |
| 4.叶片图像处理 | 第21-47页 |
| 4.1 图像处理技术 | 第21-24页 |
| 4.1.1 图像处理的主要方法 | 第21-22页 |
| 4.1.2 图像剪切 | 第22-23页 |
| 4.1.3 图像灰度化 | 第23-24页 |
| 4.2 图像增强 | 第24-29页 |
| 4.3 图像分割 | 第29-31页 |
| 4.4 常用颜色模型 | 第31-36页 |
| 4.4.1 RGB颜色模型 | 第32-33页 |
| 4.4.2 HIS颜色模型 | 第33-35页 |
| 4.4.3 CIE Lab颜色模型 | 第35-36页 |
| 4.5 图像特征提取 | 第36-47页 |
| 4.5.1 颜色特征关键算法 | 第36-38页 |
| 4.5.2 外形特征算法研究 | 第38-40页 |
| 4.5.3 纹理特征算法研究 | 第40-47页 |
| 5.神经网络预测模型 | 第47-53页 |
| 5.1 BP神经网络概述 | 第47-48页 |
| 5.2 BP神经网络的原理 | 第48页 |
| 5.3 BP神经网络的学习过程 | 第48-49页 |
| 5.4 数据训练及结果分析 | 第49-53页 |
| 6.总结与展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 附录 | 第60-66页 |
