基于机器视觉的珍珠检测系统关键技术研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第15-21页 |
| 1.1 研究目的与意义 | 第15-16页 |
| 1.2 机器视觉在检测系统应用的研究进展 | 第16-18页 |
| 1.2.1 机器视觉发展 | 第16页 |
| 1.2.2 机器视觉在农产品检测的研究现状 | 第16-18页 |
| 1.3 机器视觉在珍珠检测的国内外研究现状 | 第18-20页 |
| 1.3.1 淡水养殖珍珠的术语与定义 | 第19页 |
| 1.3.2 珍珠检测的国内外研究现状 | 第19-20页 |
| 1.4 本文关键技术研究 | 第20页 |
| 1.5 本章小结 | 第20-21页 |
| 2 珍珠图像采集系统的设计研究 | 第21-31页 |
| 2.1 珍珠检测系统的总体结构 | 第21页 |
| 2.2 珍珠成像模块的设计 | 第21-23页 |
| 2.2.1 工业相机的选择 | 第21-22页 |
| 2.2.2 镜头的选择 | 第22-23页 |
| 2.3 珍珠照明模块的设计 | 第23-30页 |
| 2.3.1 光源的选择 | 第24页 |
| 2.3.2 照明方式的选择 | 第24-25页 |
| 2.3.3 光学模型建立 | 第25-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 基于人工神经网络的珍珠颜色分级研究 | 第31-40页 |
| 3.1 RGB颜色模型下的珍珠颜色特征提取 | 第31-33页 |
| 3.1.1 RGB颜色模型 | 第31页 |
| 3.1.2 RGB颜色特征提取 | 第31-33页 |
| 3.2 HSV颜色模型下珍珠颜色特征提取 | 第33-36页 |
| 3.2.1 HSV颜色模型 | 第33-34页 |
| 3.2.2 HSV颜色特征提取 | 第34-36页 |
| 3.3 基于神经网络的珍珠分选研究 | 第36-38页 |
| 3.3.1 BP神经网络的算法实现 | 第36-37页 |
| 3.3.2 实验分析 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 4 基于视觉技术的珍珠形状及大小分级研究 | 第40-51页 |
| 4.0 珍珠图像预处理 | 第40-43页 |
| 4.0.1 图像灰度化 | 第40-42页 |
| 4.0.2 滤波去噪 | 第42-43页 |
| 4.1 珍珠图像分割 | 第43-44页 |
| 4.2 珍珠形状与大小特征的提取 | 第44-47页 |
| 4.2.1 珍珠轮廓的提取 | 第44-45页 |
| 4.2.2 质心的提取及原理 | 第45-46页 |
| 4.2.3 珍珠形状与大小检测的研究 | 第46-47页 |
| 4.3 标定实验 | 第47页 |
| 4.4 实验数据与误差分析 | 第47-50页 |
| 4.4.1 实验分析 | 第47-50页 |
| 4.4.2 误差分析 | 第50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 基于灰度共生矩阵的珍珠纹理特征分析研究 | 第51-71页 |
| 5.1 灰度共生矩阵的定义与特征参数 | 第51-54页 |
| 5.1.1 灰度共生矩阵的定义 | 第51-52页 |
| 5.1.2 灰度共生矩阵的特征参数 | 第52-54页 |
| 5.2 珍珠纹理特征参数的提取 | 第54-63页 |
| 5.2.1 灰度共生矩阵影响因素的确定 | 第54-62页 |
| 5.2.2 灰度共生矩阵特征参数的提取 | 第62-63页 |
| 5.3 珍珠纹理分类与识别的研究 | 第63-70页 |
| 5.3.1 主成分分析法 | 第63-66页 |
| 5.3.2 马氏距离判别法 | 第66-70页 |
| 5.4 本章小结 | 第70-71页 |
| 6 总结与展望 | 第71-73页 |
| 6.1 工作总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 附录 | 第76-81页 |
| 作者简介 | 第81页 |
