| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 缩写词与单位表 | 第12-13页 |
| 第1章 绪论 | 第13-28页 |
| 1.1 研究背景和意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 采摘机器人概述 | 第15-19页 |
| 1.2.1 采摘机器人构架和特点 | 第15-16页 |
| 1.2.2 果蔬采摘机器人研究进展 | 第16-18页 |
| 1.2.3 苹果采摘机器人研究进展 | 第18-19页 |
| 1.3 苹果采摘机器人目标识别 | 第19-24页 |
| 1.3.1 目标果实精准识别 | 第19-21页 |
| 1.3.2 夜间作业研究 | 第21-23页 |
| 1.3.3 智能计算在采摘机器人中的应用 | 第23-24页 |
| 1.4 研究内容和方法 | 第24-27页 |
| 1.4.1 技术路线 | 第25页 |
| 1.4.2 研究内容 | 第25-26页 |
| 1.4.3 研究方法 | 第26-27页 |
| 1.5 论文组织架构 | 第27-28页 |
| 第2章 图像采集和夜间图像分析 | 第28-36页 |
| 2.1 人工光源 | 第28-29页 |
| 2.2 图像采集 | 第29-31页 |
| 2.3 夜间图像分析 | 第31-34页 |
| 2.3.1 色彩分析 | 第31-33页 |
| 2.3.2 直观视觉分析 | 第33-34页 |
| 2.4 差影法噪声分析 | 第34-35页 |
| 2.5 小结 | 第35-36页 |
| 第3章 苹果夜间图像降噪 | 第36-70页 |
| 3.1 降噪效果评价 | 第36-38页 |
| 3.1.1 直观视觉效果 | 第36-37页 |
| 3.1.2 相对峰值信噪比 | 第37-38页 |
| 3.1.3 降噪算法自身性能 | 第38页 |
| 3.2 小波模糊阈值夜间图像降噪 | 第38-47页 |
| 3.2.1 小波降噪原理 | 第38-41页 |
| 3.2.2 小波模糊阈值降噪 | 第41-43页 |
| 3.2.3 实验结果比较与分析 | 第43-47页 |
| 3.2.4 结论与分析 | 第47页 |
| 3.3 WT-ICA夜间图像降噪 | 第47-57页 |
| 3.3.1 ICA降噪算法 | 第47-49页 |
| 3.3.2 WT-ICA融合降噪模型 | 第49-50页 |
| 3.3.3 仿真实验 | 第50-54页 |
| 3.3.4 苹果夜间图像降噪实验 | 第54-57页 |
| 3.3.5 结论与分析 | 第57页 |
| 3.4 PSO-ICA夜间图像降噪 | 第57-65页 |
| 3.4.1 PSO算法 | 第58-59页 |
| 3.4.2 PSO-ICA优化算法 | 第59页 |
| 3.4.3 仿真实验 | 第59-63页 |
| 3.4.4 夜间图像降噪实验 | 第63-65页 |
| 3.4.5 结论与讨论 | 第65页 |
| 3.5 降噪效率性能评价 | 第65-68页 |
| 3.5.1 实验与分析 | 第66-67页 |
| 3.5.2 结论与讨论 | 第67-68页 |
| 3.6 小结 | 第68-70页 |
| 第4章 苹果图像分割与特征提取 | 第70-86页 |
| 4.1 颜色空间 | 第71-76页 |
| 4.1.1 RGB颜色空间 | 第71-72页 |
| 4.1.2 Lab颜色空间 | 第72-74页 |
| 4.1.3 HSI颜色空间 | 第74-76页 |
| 4.2 图像分割 | 第76-81页 |
| 4.2.1 K-means聚类分割 | 第76-77页 |
| 4.2.2 PCNN分割 | 第77-79页 |
| 4.2.3 分割结果与分析 | 第79-81页 |
| 4.3 提取特征 | 第81-84页 |
| 4.3.1 颜色特征提取 | 第81-82页 |
| 4.3.2 形状特征提取 | 第82-84页 |
| 4.3.3 数据标准化 | 第84页 |
| 4.4 小结 | 第84-86页 |
| 第5章 遗传神经网络目标果实识别模型 | 第86-113页 |
| 5.1 基于GA-RBF-LMS神经网络苹果识别算法 | 第87-101页 |
| 5.1.1 GA和RBF基本原理 | 第87-89页 |
| 5.1.2 GA-RBF-LMS算法构造 | 第89-91页 |
| 5.1.3 GA-RBF-LMS算法步骤 | 第91-92页 |
| 5.1.4 UCI数据仿真实验 | 第92-94页 |
| 5.1.5 目标果实识别实验 | 第94-100页 |
| 5.1.6 结论与讨论 | 第100-101页 |
| 5.2 基于GA-Elman神经网络苹果识别算法 | 第101-111页 |
| 5.2.1 Elman神经网络算法 | 第101-102页 |
| 5.2.2 GA-Elman算法构造 | 第102-106页 |
| 5.2.3 仿真实验 | 第106-108页 |
| 5.2.4 苹果图像目标果实识别实验 | 第108-111页 |
| 5.2.5 结论与讨论 | 第111页 |
| 5.3 小结 | 第111-113页 |
| 第6章 优化神经网络的大样本分类 | 第113-126页 |
| 6.1 数据纵向降维 | 第113-115页 |
| 6.1.1 特征降维原理 | 第113-114页 |
| 6.1.2 基于PLS的特征降维算法 | 第114-115页 |
| 6.2 横向降维(聚类分析) | 第115-116页 |
| 6.3 PLS-HCA-NN大样本分类算法 | 第116-124页 |
| 6.3.1 优化分类算法思想 | 第116-119页 |
| 6.3.2 优化算法构造 | 第119-120页 |
| 6.3.3 优化算法基本步骤 | 第120-121页 |
| 6.3.4 仿真实验 | 第121-124页 |
| 6.3.5 结论 | 第124页 |
| 6.4 小结 | 第124-126页 |
| 第7章 总结与展望 | 第126-129页 |
| 7.1 研究总结 | 第126-127页 |
| 7.1.1 夜间图像分析 | 第126页 |
| 7.1.2 夜间图像降噪 | 第126页 |
| 7.1.3 图像预处理 | 第126-127页 |
| 7.1.4 目标果实识别 | 第127页 |
| 7.1.5 大样本分类 | 第127页 |
| 7.2 主要创新点 | 第127-128页 |
| 7.3 下步工作 | 第128-129页 |
| 参考文献 | 第129-138页 |
| 致谢 | 第138-140页 |
| 主要科研成果及奖励 | 第140-142页 |