基于机器视觉和近红外高光谱的冬枣检测方法研究
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究的背景与意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 果实成熟度的研究现状 | 第15-16页 |
| 1.2.2 果实缺陷检测研究现状 | 第16-18页 |
| 1.2.3 果实轻微损伤的研究现状 | 第18-19页 |
| 1.3 研究内容和技术路线 | 第19-20页 |
| 1.4 本文的主要内容 | 第20-22页 |
| 第二章 基于机器视觉的冬枣成熟度检测 | 第22-31页 |
| 2.1 材料和方法 | 第22-23页 |
| 2.1.1 实验材料 | 第22页 |
| 2.1.2 图像采集与处理 | 第22页 |
| 2.1.3 方法步骤 | 第22-23页 |
| 2.2 冬枣成熟度检测方法 | 第23-26页 |
| 2.2.1 颜色空间 | 第23-26页 |
| 2.2.2 SPSS判别分类比较 | 第26页 |
| 2.3 结果分析 | 第26-30页 |
| 2.3.1 成熟度颜色分量选择与判别模型建立 | 第26-28页 |
| 2.3.2 成熟度图像检测 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于近红外高光谱图像的冬枣损伤早期检测 | 第31-43页 |
| 3.1 材料与方法 | 第31-32页 |
| 3.1.1 试验样本 | 第31页 |
| 3.1.2 方法步骤 | 第31-32页 |
| 3.2 冬枣轻微损伤的识别方法 | 第32-37页 |
| 3.2.1 冬枣的高光谱检测系统 | 第32页 |
| 3.2.2 高光谱图像采集 | 第32-33页 |
| 3.2.3 特征波段的选择 | 第33-37页 |
| 3.3 结果分析 | 第37-41页 |
| 3.3.1 光谱数据分析 | 第38页 |
| 3.3.2 特征选取与分类结果 | 第38-40页 |
| 3.3.3 高光谱图像信息融合 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 第四章 基于机器视觉的冬枣病害检测 | 第43-51页 |
| 4.1 材料与方法 | 第43-44页 |
| 4.1.1 试验样本与图像处理 | 第43页 |
| 4.1.2 方法步骤 | 第43-44页 |
| 4.2 冬枣缩果病的识别原理 | 第44-46页 |
| 4.3 结果分析 | 第46-50页 |
| 4.3.1 冬枣黑斑类病害的检测 | 第46-48页 |
| 4.3.2 冬枣缩果病的检测 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 结论与展望 | 第51-54页 |
| 5.1 结论 | 第51-53页 |
| 5.2 创新点 | 第53页 |
| 5.3 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 作者简介 | 第59页 |
