| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1章 前言 | 第9-21页 |
| ·研究目的和意义 | 第9-11页 |
| ·南疆红枣 | 第9-10页 |
| ·南疆红枣分级需求 | 第10-11页 |
| ·机器视觉技术的优越性 | 第11页 |
| ·机器视觉在农产品外部品质检测的研究现状 | 第11-19页 |
| ·国外研究现状 | 第11-17页 |
| ·国内研究现状 | 第17-19页 |
| ·研究目标、内容和方法 | 第19-20页 |
| ·研究目标 | 第19页 |
| ·研究内容 | 第19页 |
| ·研究方法 | 第19-20页 |
| ·技术路线 | 第20页 |
| ·小结 | 第20-21页 |
| 第2章 图像预处理 | 第21-33页 |
| ·图像预处理 | 第21页 |
| ·基于空间域的图像增强方法 | 第21-28页 |
| ·灰度变换 | 第22-25页 |
| ·空域滤波 | 第25-27页 |
| ·多图像平均法 | 第27-28页 |
| ·基于频率域的图像增强方法 | 第28-32页 |
| ·低通滤波 | 第28-29页 |
| ·高通滤波 | 第29-30页 |
| ·带通和带阻滤波器 | 第30-31页 |
| ·同态图像滤波 | 第31-32页 |
| ·小结 | 第32-33页 |
| 第3章 红枣图像分割方法的研究 | 第33-40页 |
| ·灰度阈值分割法 | 第33-35页 |
| ·全局阈值的确定方法 | 第33页 |
| ·最大方差阈值法 | 第33-35页 |
| ·边缘检测法 | 第35-39页 |
| ·Sobel 算子 | 第35-36页 |
| ·Prewitt 算子 | 第36-37页 |
| ·Roberts 算子 | 第37页 |
| ·Laplacian of a Gaussian(LoG)算子 | 第37-38页 |
| ·零交叉算子 | 第38页 |
| ·Canny 算子 | 第38-39页 |
| ·小结 | 第39-40页 |
| 第4章 红枣缺陷检测 | 第40-45页 |
| ·红枣图像的采集 | 第40-41页 |
| ·红枣图像的处理 | 第41-42页 |
| ·红枣图像缺陷的分割 | 第42-43页 |
| ·缺陷有无的判别 | 第43-44页 |
| ·确定判断依据 | 第43页 |
| ·判断结果 | 第43-44页 |
| ·小结 | 第44-45页 |
| 第5章 红枣纹理检测 | 第45-53页 |
| ·纹理特征的提取 | 第45-47页 |
| ·基于统计分析的纹理识别方法研究 | 第45-47页 |
| ·材料与方法 | 第47-48页 |
| ·红枣图片采集 | 第48页 |
| ·红枣图像预处理 | 第48页 |
| ·BP 人工神经网络颜色分级 | 第48-50页 |
| ·BP 神经网络简介 | 第48-49页 |
| ·BP 神经网络的训练学习 | 第49-50页 |
| ·BP 神经网络的红枣纹理分级 | 第50-51页 |
| ·纹理与水分试验 | 第51-52页 |
| ·小结 | 第52-53页 |
| 第6章 红枣颜色检测 | 第53-61页 |
| ·颜色模型的确定 | 第53-55页 |
| ·RGB 颜色模型 | 第54页 |
| ·HSI 颜色模型 | 第54-55页 |
| ·颜色模型转换 | 第55页 |
| ·颜色特征的提取 | 第55-57页 |
| ·红枣图像采集 | 第56页 |
| ·红枣图像背景分割 | 第56页 |
| ·特征提取 | 第56-57页 |
| ·RGB 模型和 HSI 模型的红枣颜色分级 | 第57-59页 |
| ·实验材料与方法 | 第57-58页 |
| ·输入层设计 | 第58页 |
| ·输出层设计 | 第58页 |
| ·中间层设计与网络训练 | 第58页 |
| ·分级结果 | 第58-59页 |
| ·糖度与颜色的关系 | 第59-60页 |
| ·小结 | 第60-61页 |
| 第7章 结论与展望 | 第61-63页 |
| ·结论 | 第61-62页 |
| ·展望 | 第62-63页 |
| 附录 | 第63-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-76页 |
| 作者简历及在学成果 | 第76-77页 |