基于深度学习的红枣缺陷识别技术研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-16页 |
| 1.1 课题的背景与研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文的技术路线及研究内容 | 第14-15页 |
| 1.4 论文整体结构安排 | 第15-16页 |
| 2 红枣缺陷自动检测装置设计 | 第16-27页 |
| 2.1 红枣缺陷检测系统总体方案设计 | 第16-18页 |
| 2.1.1 红枣缺陷检测要求 | 第16-17页 |
| 2.1.2 红枣缺陷检测系统总体方案设计 | 第17-18页 |
| 2.2 红枣缺陷图像采集模块设计 | 第18-22页 |
| 2.2.1 工业相机和镜头的选用 | 第18-19页 |
| 2.2.2 光源配置方式 | 第19-22页 |
| 2.2.3 数据传输方式 | 第22页 |
| 2.3 红枣缺陷检测输送方案设计 | 第22-26页 |
| 2.3.1 链条及链轮的设计 | 第23页 |
| 2.3.2 辊子尺寸设计 | 第23-24页 |
| 2.3.3 红枣运动、受力分析 | 第24-25页 |
| 2.3.4 传动轴计算及电机选择 | 第25-26页 |
| 2.4 红枣缺陷检测装置的搭建 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 基于Blob分析的红枣缺陷识别算法 | 第27-39页 |
| 3.1 Blob分析流程 | 第27-28页 |
| 3.2 图像获取 | 第28页 |
| 3.3 图像背景去除 | 第28-33页 |
| 3.3.1 颜色空间转换 | 第28-30页 |
| 3.3.2 图像分割 | 第30-31页 |
| 3.3.3 形态学处理 | 第31-32页 |
| 3.3.4 连通域分析 | 第32-33页 |
| 3.3.5 特征提取 | 第33页 |
| 3.4 缺陷识别 | 第33-36页 |
| 3.4.1 颜色空间转换 | 第34-35页 |
| 3.4.2 缺陷特征识别 | 第35-36页 |
| 3.5 实验验证 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 基于深度学习的红枣缺陷识别方法 | 第39-59页 |
| 4.1 深度学习基础 | 第39-44页 |
| 4.1.1 深度学习概述 | 第39页 |
| 4.1.2 单层感知器 | 第39-40页 |
| 4.1.3 多层感知器 | 第40-41页 |
| 4.1.4 反向传播算法 | 第41-44页 |
| 4.2 卷积神经网络 | 第44-48页 |
| 4.2.1 卷积神经网络概述 | 第44-45页 |
| 4.2.2 卷积神经网络结构 | 第45-48页 |
| 4.3 数据集的采集和预处理 | 第48-51页 |
| 4.4 卷积神经网络的选取 | 第51-53页 |
| 4.5 模型的训练与验证 | 第53-58页 |
| 4.6 本章小结 | 第58-59页 |
| 5 基于迁移学习的小样本红枣缺陷识别方法 | 第59-70页 |
| 5.1 迁移学习概述 | 第59-60页 |
| 5.2 迁移学习训练过程 | 第60-63页 |
| 5.3 实验结果与验证 | 第63-64页 |
| 5.4 实验对比与分析 | 第64-69页 |
| 5.4.1 迭代次数对准确率的影响 | 第65-66页 |
| 5.4.2 数据集数量对准确率的影响 | 第66-68页 |
| 5.4.3 深度学习与迁移学习实验对比 | 第68-69页 |
| 5.5 本章小结 | 第69-70页 |
| 6 红枣缺陷检测系统软件方案设计 | 第70-75页 |
| 6.1 软件开发平台的选用 | 第70页 |
| 6.2 缺陷分选软件系统整体架构 | 第70-71页 |
| 6.3 相机拍摄时序及处理流程 | 第71-73页 |
| 6.4 应用程序界面及统计界面设计 | 第73-74页 |
| 6.5 本章小结 | 第74-75页 |
| 7 结论与展望 | 第75-77页 |
| 7.1 结论 | 第75-76页 |
| 7.2 展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-82页 |
| 攻读硕士学位期间参与的科研项目及成果 | 第82页 |
