面向颗粒状农产品的分选方法研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 本文研究的背景和意义 | 第14-15页 |
| 1.2 国内外的研究现状 | 第15-20页 |
| 1.2.1 国外研究现状分析 | 第15-17页 |
| 1.2.2 国内研究现状分析 | 第17-20页 |
| 1.3 本论文研究的主要内容 | 第20-21页 |
| 1.3.1 论文研究的内容 | 第20页 |
| 1.3.2 论文研究的技术路线 | 第20-21页 |
| 1.4 本文内容安排 | 第21-22页 |
| 第二章 视觉检测系统的简介 | 第22-28页 |
| 2.1 FPGA的发展状况及其开发流程 | 第22-25页 |
| 2.1.1 FPGA的简介 | 第22-23页 |
| 2.1.2 基于FPGA的数字系统设计流程 | 第23-25页 |
| 2.2 图像获取技术的研究 | 第25-26页 |
| 2.3 视觉检测平台简介 | 第26页 |
| 2.4 视觉检测平台应用场景 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 连通域标记算法的研究 | 第28-35页 |
| 3.1 连通域标记算法概述 | 第28-29页 |
| 3.2 常用的连通域标记算法 | 第29-30页 |
| 3.2.1 两遍图像扫描方法 | 第29-30页 |
| 3.2.2 种子填充法 | 第30页 |
| 3.3 基于线阵CCD的连通域标记算法研究 | 第30-34页 |
| 3.3.1 基于线阵CCD的连通域标记算法 | 第30-32页 |
| 3.3.2 在PC上的算法实现 | 第32-33页 |
| 3.3.3 基于FPGA的连通域算法实现思路 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 图像分类算法的研究 | 第35-49页 |
| 4.1 图像的分类 | 第35-39页 |
| 4.1.1 分类算法概述 | 第35-36页 |
| 4.1.2 常用分类判决方法 | 第36-39页 |
| 4.2 特征选择和提取 | 第39-40页 |
| 4.2.1 特征选择和提取的概念和作用 | 第39页 |
| 4.2.2 特征选择和提取的依据 | 第39-40页 |
| 4.3 颗粒状农产品的分类算法 | 第40-48页 |
| 4.3.1 KNN分类算法 | 第40-41页 |
| 4.3.2 基于KNN的特性选择算法 | 第41-43页 |
| 4.3.3 颗粒状农产品的特征提取 | 第43-45页 |
| 4.3.4 在PC上进行分选验证实验 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 基于FPGA的KNN算法的实现 | 第49-59页 |
| 5.1 基于FPGA的图像处理的概述 | 第49-50页 |
| 5.2 KNN算法的硬件逻辑实现 | 第50-55页 |
| 5.2.1 FPGA IP核简介 | 第50-52页 |
| 5.2.2 KNN算法的硬件逻辑实现 | 第52-54页 |
| 5.2.3 KNN算法的仿真结果 | 第54-55页 |
| 5.3 基于线阵CCD的视觉系统的KNN算法实现 | 第55-58页 |
| 5.3.1 KNN算法在视觉系统实现思路 | 第55-56页 |
| 5.3.2 基于视觉系统的KNN算法验证 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第64-65页 |
