| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 课题研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 国外研究现状 | 第12-14页 |
| 1.3.2 国内研究现状 | 第14-15页 |
| 1.4 论文的主要工作 | 第15页 |
| 1.5 论文的内容结构 | 第15-17页 |
| 第二章 基于机器视觉的弧菌病监测系统需求分析 | 第17-24页 |
| 2.1 弧菌病的概述 | 第17-18页 |
| 2.2 实现原理 | 第18-19页 |
| 2.3 养殖大黄鱼弧菌病监测系统的构成 | 第19-23页 |
| 2.3.1 系统结构 | 第19页 |
| 2.3.2 系统计算机视觉硬件系统的组成 | 第19-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 大黄鱼弧菌病监测算法研究 | 第24-39页 |
| 3.1 图像边缘检测 | 第24-28页 |
| 3.2 彩色图像处理 | 第28-30页 |
| 3.2.1 RGB图像 | 第28页 |
| 3.2.2 YIQ颜色模型 | 第28页 |
| 3.2.3 YCbCr颜色模型 | 第28-29页 |
| 3.2.4 HSV模型 | 第29页 |
| 3.2.5 不同彩色空间的融合 | 第29-30页 |
| 3.3 基于机器视觉的处理技术 | 第30-37页 |
| 3.3.1 基于视觉处理的边缘检测算法 | 第31-32页 |
| 3.3.2 多尺度自适应加权形态边缘检测算法 | 第32-34页 |
| 3.3.3 多尺度自适应加权形态边缘检测算法的完善成果 | 第34-35页 |
| 3.3.4 引入颜色信息的形态学边缘检测 | 第35-36页 |
| 3.3.5 效果分析 | 第36-37页 |
| 3.4 模板匹配 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于机器视觉的大黄鱼弧菌病监测系统实现 | 第39-57页 |
| 4.1 基于机器视觉的大黄鱼弧菌病监测系统的硬件 | 第39-41页 |
| 4.2 V4L2视频驱动接口简介 | 第41-45页 |
| 4.2.1 V4L2的应用 | 第42-45页 |
| 4.3 基于机器视觉的大黄鱼弧菌病监测系统的软件实现步骤 | 第45-48页 |
| 4.3.1 通信连接 | 第46页 |
| 4.3.2 图像预处理 | 第46-48页 |
| 4.3.3 图像特征提取 | 第48页 |
| 4.4 基于机器视觉的大黄鱼弧菌病监测系统的软件实现过程 | 第48-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 基于机器视觉的大黄鱼弧菌病监测系统测试 | 第57-62页 |
| 5.1 系统测试情况 | 第57-60页 |
| 5.2 本章小结 | 第60-62页 |
| 第六章 结论 | 第62-64页 |
| 6.1 论文工作总结 | 第62页 |
| 6.2 下一步的研究方向 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-66页 |
