基于数字信号处理技术的脱水蒜片识别与等级判别研究
| 摘要 | 第1-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 绪论 | 第12-21页 |
| ·选题背景与意义 | 第12-14页 |
| ·国内外研究现状 | 第14-18页 |
| ·国外研究现状 | 第15-16页 |
| ·国内研究现状 | 第16-18页 |
| ·课题研究内容与技术路线 | 第18-20页 |
| ·研究内容 | 第18-19页 |
| ·技术路线 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第二章 基于DSP的图像实时采集 | 第21-32页 |
| ·DSP概况 | 第21-22页 |
| ·DSP应用于图像处理系统的优势 | 第22页 |
| ·SEED-DTK_VPM642图像处理平台 | 第22-29页 |
| ·基于DSP的图像实时采集与显示 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 脱水蒜片图像的预处理和特征参数提取 | 第32-45页 |
| ·图像预处理 | 第32-40页 |
| ·图像去噪 | 第32-35页 |
| ·背景分割 | 第35-38页 |
| ·图像提取 | 第38-40页 |
| ·特征提取 | 第40-44页 |
| ·颜色特征 | 第40-43页 |
| ·形状特征 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 基于人工神经网络的脱水蒜片等级判别研究 | 第45-58页 |
| ·人工神经网络特点 | 第45-46页 |
| ·BP神经网络模型 | 第46-49页 |
| ·BP网络 | 第46页 |
| ·BP网络的学习算法 | 第46-48页 |
| ·数据归一化 | 第48页 |
| ·BP网络设计 | 第48-49页 |
| ·LVQ神经网络模型 | 第49-51页 |
| ·LVQ网络 | 第49-50页 |
| ·LVQ网络学习算法与过程 | 第50页 |
| ·LVQ网络设计 | 第50-51页 |
| ·基于BP-LVQ的多分类器组合 | 第51-53页 |
| ·树形多分类器组合模型 | 第51-52页 |
| ·BP-LVQ组合分类器 | 第52-53页 |
| ·MATLAB仿真结果 | 第53-57页 |
| ·BP神经网络的仿真 | 第54页 |
| ·LVQ神经网络的仿真 | 第54-56页 |
| ·BP-LVQ神经网络的仿真 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第五章 脱水蒜片检测与判别系统的开发 | 第58-65页 |
| ·系统开发平台 | 第58页 |
| ·系统总体设计 | 第58-63页 |
| ·设计方案 | 第59-60页 |
| ·系统功能模块 | 第60-63页 |
| ·系统测试 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第六章 脱水蒜片在线分选技术的工业应用 | 第65-71页 |
| ·分选装置总体结构与工作原理 | 第65-68页 |
| ·进料机构 | 第65-66页 |
| ·计算机视觉系统 | 第66-67页 |
| ·控制系统 | 第67页 |
| ·排料机构 | 第67页 |
| ·分选装置工作原理 | 第67-68页 |
| ·软件系统 | 第68-69页 |
| ·在线分选过程 | 第69-70页 |
| ·本章小结 | 第70-71页 |
| 第七章 总结与展望 | 第71-73页 |
| ·总结 | 第71页 |
| ·展望 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78页 |
