自然场景下猕猴桃识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究概述 | 第11-14页 |
| 1.2.1 果蔬图像分割方法 | 第11-12页 |
| 1.2.2 果蔬图像识别方法 | 第12-13页 |
| 1.2.3 神经网络识别方法 | 第13-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 技术路线 | 第14-15页 |
| 1.5 论文组织结构 | 第15-16页 |
| 第二章 猕猴桃图像采样及分割 | 第16-32页 |
| 2.1 猕猴桃图像获取及特点 | 第16-17页 |
| 2.1.1 图像获取 | 第16页 |
| 2.1.2 特点分析 | 第16-17页 |
| 2.1.3 实验环境 | 第17页 |
| 2.2 图像分割方法 | 第17-20页 |
| 2.3 图像在颜色空间中分割 | 第20-22页 |
| 2.4 基于色差法阈值分割 | 第22-26页 |
| 2.4.1 基于R-G的猕猴桃果实分割 | 第22页 |
| 2.4.2 R-G颜色特征系数的确定 | 第22-25页 |
| 2.4.3 不同光照下的图像分割实验 | 第25页 |
| 2.4.4 基于色差法背景图像分割 | 第25-26页 |
| 2.5 基于Renyi熵的阈值分割 | 第26-30页 |
| 2.5.1 Renyi熵 | 第26-27页 |
| 2.5.2 阈值分割 | 第27-30页 |
| 2.6 图像残留物去除 | 第30-31页 |
| 2.6.1 面积阈值法 | 第30页 |
| 2.6.2 形态学运算 | 第30-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第三章 猕猴桃图像特征提取 | 第32-43页 |
| 3.1 图像边缘提取 | 第32-36页 |
| 3.1.1 猕猴桃果实样本获取 | 第32-34页 |
| 3.1.2 背景图像样本获取 | 第34-36页 |
| 3.2 基于人工设计特征提取 | 第36-39页 |
| 3.2.1 HSV颜色特征 | 第36页 |
| 3.2.2 灰度共生矩特征 | 第36-37页 |
| 3.2.3 Tamura纹理特征 | 第37-39页 |
| 3.3 基于深度学习特征提取 | 第39-42页 |
| 3.3.1 构建特征提取网络模型 | 第40-41页 |
| 3.3.2 PCANet深度学习特征 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 猕猴桃图像识别 | 第43-56页 |
| 4.1 猕猴桃果实识别方法 | 第43-47页 |
| 4.1.1 BP神经网络算法 | 第43-44页 |
| 4.1.2 支持向量机算法 | 第44-45页 |
| 4.1.3 基于PCANet网络识别 | 第45-47页 |
| 4.2 基于BP神经网络的设计 | 第47-49页 |
| 4.2.1 输入/输出层的设计 | 第47页 |
| 4.2.2 隐含层结点数及激活函数选择 | 第47-48页 |
| 4.2.3 实验结果及分析 | 第48-49页 |
| 4.3 基于支持向量机的识别 | 第49-50页 |
| 4.3.1 支持向量机多分类 | 第49页 |
| 4.3.2 支持向量机核函数选择 | 第49-50页 |
| 4.3.3 基于人工设计特征的SVM识别 | 第50页 |
| 4.4 基于深度学习特征的识别 | 第50-52页 |
| 4.4.1 PCANet神经网络识别 | 第50-51页 |
| 4.4.2 卷积核确定 | 第51-52页 |
| 4.4.3 猕猴桃图像识别结果分析 | 第52页 |
| 4.5 误识别率比较分析 | 第52-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 结论与展望 | 第56-57页 |
| 5.1 结论 | 第56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 作者简介 | 第61页 |
