| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究的目的和意义 | 第8页 |
| 1.2 基于计算机视觉技术的茶叶品质检测国内外研究现状 | 第8-12页 |
| 1.2.1 国外研究现状 | 第9页 |
| 1.2.2 国内研究现状 | 第9-12页 |
| 1.3 研究的主要内容及技术路线 | 第12-13页 |
| 1.3.1 研究的主要内容 | 第12页 |
| 1.3.2 研究的技术路线 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 2 茶叶感官评审与图像的采集处理 | 第14-24页 |
| 2.1 茶叶感官审评 | 第14页 |
| 2.1.1 茶叶样本材料 | 第14页 |
| 2.1.2 外形品质的感官审评 | 第14页 |
| 2.2 图像采集 | 第14-20页 |
| 2.2.1 计算机视觉系统搭建 | 第14-19页 |
| 2.2.2 试验材料及方法 | 第19-20页 |
| 2.3 图像预处理 | 第20-23页 |
| 2.3.1 图像的平滑 | 第20-22页 |
| 2.3.2 图像的锐化 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 茶叶图像特征提取 | 第24-31页 |
| 3.1 颜色特征提取 | 第24-27页 |
| 3.1.1 基于RGB模型颜色特征提取 | 第24-26页 |
| 3.1.2 基于HSI模型颜色特征提取 | 第26-27页 |
| 3.2 纹理特征的提取 | 第27-30页 |
| 3.2.1 基于统计矩的纹理特征提取 | 第27-29页 |
| 3.2.2 基于灰度共生矩阵的纹理特征提取 | 第29-30页 |
| 3.3 本章小结 | 第30-31页 |
| 4 茶叶品质计算机视觉分级方法研究 | 第31-46页 |
| 4.1 基于PCA-GA-BP神经网络的茶叶品质计算机视觉分级研究 | 第31-39页 |
| 4.1.1 PCA-GA-BP神经网络茶叶品质分级模型建立 | 第31-35页 |
| 4.1.2 PCA-GA-BP神经网络参数选用及优化 | 第35-37页 |
| 4.1.3 结果与分析 | 第37-39页 |
| 4.2 基于PCA-PSO-LSSVM的茶叶品质计算机视觉分级研究 | 第39-45页 |
| 4.2.1 PCA-PSO-LSSVM支持向量机茶叶品质分级模型建立 | 第39-41页 |
| 4.2.2 PCA-PSO-LSSVM支持向量机参数选用及优化 | 第41-42页 |
| 4.2.3 结果与分析 | 第42-45页 |
| 4.3 本章小结 | 第45-46页 |
| 5 茶叶品质分级检测系统的设计与实现 | 第46-56页 |
| 5.1 系统开发工具与技术概述 | 第46页 |
| 5.2 茶叶品质检测系统的总体设计 | 第46-48页 |
| 5.2.1 系统的功能需求分析 | 第46-47页 |
| 5.2.2 系统功能模块的设计 | 第47-48页 |
| 5.3 茶叶品质检测系统功能实现 | 第48-55页 |
| 5.3.1 系统主界面 | 第48-49页 |
| 5.3.2 相机参数设置功能模块 | 第49-50页 |
| 5.3.3 图像预处理模块 | 第50页 |
| 5.3.4 特征提取功能模块 | 第50-51页 |
| 5.3.5 模型学习功能模块 | 第51-53页 |
| 5.3.6 数据分析功能模块 | 第53-55页 |
| 5.3.7 茶叶品质在线检测模块 | 第55页 |
| 5.4 本章小结 | 第55-56页 |
| 6 结论与展望 | 第56-58页 |
| 6.1 结论 | 第56-57页 |
| 6.2 主要创新点 | 第57页 |
| 6.3 展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 作者简历 | 第62-63页 |
| 附录 | 第63页 |
