基于机器视觉的水钻自动分拣系统研究
| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 目录 | 第10-13页 |
| 第1章 绪论 | 第13-20页 |
| 本章摘要 | 第13页 |
| ·课题的提出及意义 | 第13-14页 |
| ·我国的水钻生产状况 | 第13-14页 |
| ·水钻生产系统中存在的不足 | 第14页 |
| ·基于机器视觉的水钻自动分拣技术 | 第14-17页 |
| ·机器视觉技术的发展 | 第14-15页 |
| ·机器视觉技术在水钻分拣上的运用 | 第15-17页 |
| ·本文的主要内容及组织结构 | 第17-20页 |
| ·本文研究的目的及意义 | 第17页 |
| ·本文的主要内容 | 第17-18页 |
| ·论文的组织结构 | 第18-20页 |
| 第2章 基于HSI颜色空间的水钻自动计数研究 | 第20-33页 |
| 本章摘要 | 第20页 |
| ·引言 | 第20页 |
| ·水钻图像的采集 | 第20-21页 |
| ·基于HSI颜色空间的水钻光学特征检测 | 第21-26页 |
| ·HSI与RGB颜色模型的比较与选择 | 第21-24页 |
| ·水钻图像ROI区域的色饱和度检测 | 第24-26页 |
| ·基于标记特征的ROI区域合并 | 第26-30页 |
| ·水钻图像去噪处理 | 第26-27页 |
| ·基于测地学的水钻图像描述 | 第27-29页 |
| ·基于地貌标记的ROI区域合并 | 第29-30页 |
| ·ROI区域内的水钻计数 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第3章 基于种子区域生长的水钻图像自动分割研究 | 第33-50页 |
| 摘要 | 第33页 |
| ·引言 | 第33页 |
| ·水钻图像ROI区域的修复 | 第33-38页 |
| ·基于全变分模型的图像修复 | 第33-35页 |
| ·基于目标邻域插值和ROI区域中值填充的联合修复 | 第35-38页 |
| ·水钻图像的自适应种子区域生长分割 | 第38-46页 |
| ·图像分割方法概述 | 第38-39页 |
| ·各颜色水钻灰度级范围划分 | 第39-43页 |
| ·基于灰度信息的自动种子点选取 | 第43-44页 |
| ·区域生长准则的设定 | 第44-46页 |
| ·水钻的分割实验及讨论 | 第46-48页 |
| ·本章小结 | 第48-50页 |
| 第4章 基于BP神经网络的水钻目标识别研究 | 第50-62页 |
| 摘要 | 第50页 |
| ·引言 | 第50-51页 |
| ·BP神经网络参数的选择及优化 | 第51-55页 |
| ·人工神经网络发展概述 | 第51-52页 |
| ·BP神经网络参数的选取 | 第52-55页 |
| ·BP神经网络学习速率的选取原则 | 第53页 |
| ·改进的BP神经网络权值设置 | 第53-54页 |
| ·隐含层数目及节点数选择原则 | 第54-55页 |
| ·BP神经网络水钻训练样本的设计 | 第55-58页 |
| ·训练样本的归一化 | 第55-56页 |
| ·训练样本的选择原则 | 第56-57页 |
| ·基于KNN的训练样本选择方法 | 第57-58页 |
| ·水钻测试目标图像的获取及相应的形态学处理 | 第58-61页 |
| ·水钻图像中测试样本的获取 | 第58-59页 |
| ·提高水钻目标识别率的形态学处理 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 第5章 水钻自动分拣系统的实现 | 第62-72页 |
| 摘要 | 第62页 |
| ·水钻自动分拣系统的硬件介绍 | 第62-63页 |
| ·水钻自动分拣系统的软件介绍 | 第63-64页 |
| ·系统的开发环境 | 第64页 |
| ·系统的开发工具 | 第64页 |
| ·水钻自动分拣系统的界面设计 | 第64-68页 |
| ·水钻识别实验及分析 | 第68-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 本章摘要 | 第72页 |
| ·本文结论 | 第72页 |
| ·后期工作展望 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 附录：个人简介和攻读硕士学位期间科研成果 | 第79页 |
