基于机器视觉的孵化卵在线监测系统
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 致谢 | 第8-11页 |
| 插图清单 | 第11-12页 |
| 表格清单 | 第12-13页 |
| 第一章 绪论 | 第13-17页 |
| ·研究背景及其意义 | 第13页 |
| ·机器视觉概述 | 第13-14页 |
| ·国内外研究现状 | 第14-15页 |
| ·国外研究现状 | 第14页 |
| ·国内研究现状 | 第14-15页 |
| ·存在的问题 | 第15-16页 |
| ·本论文的主要工作 | 第16-17页 |
| 第二章 系统硬件平台 | 第17-21页 |
| ·种蛋孵化成活性检测机器视觉硬件系统 | 第17-18页 |
| ·摄像机 | 第17页 |
| ·光照箱 | 第17-18页 |
| ·光源 | 第18页 |
| ·载物台背景 | 第18页 |
| ·嵌入式系统硬件平台搭建 | 第18-20页 |
| ·处理器 | 第18-19页 |
| ·SEED-DVS6446 平台 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 图像预处理算法研究 | 第21-34页 |
| ·图像去噪 | 第21-24页 |
| ·邻域平均法 | 第21-22页 |
| ·中值滤波法 | 第22-23页 |
| ·本文选用的去噪算法 | 第23-24页 |
| ·图像增强 | 第24-25页 |
| ·图像分割 | 第25-29页 |
| ·阈值分割法 | 第25-26页 |
| ·边缘检测算法 | 第26-29页 |
| ·本文选用的图像分割方法 | 第29页 |
| ·颜色特征提取 | 第29-33页 |
| ·颜色模型 | 第30-33页 |
| ·本文使用的颜色模型 | 第33页 |
| ·本章小结 | 第33-34页 |
| 第四章 神经网络图像识别 | 第34-51页 |
| ·人工神经网络概述 | 第34-36页 |
| ·人工神经网络基本思想 | 第34-35页 |
| ·神经元模型 | 第35页 |
| ·本文选用的神经网络模型 | 第35-36页 |
| ·BP 神经网络分类器 | 第36-38页 |
| ·BP 神经网络模型 | 第36页 |
| ·BP 神经网络学习算法 | 第36-38页 |
| ·BP 神经网络的改进算法 | 第38-40页 |
| ·BP 神经网络存在的问题 | 第38-39页 |
| ·BP 神经网络的改进算法 | 第39-40页 |
| ·遗传算法与模拟退火算法概述 | 第40-43页 |
| ·遗传算法 | 第40-41页 |
| ·遗传算法的改进 | 第41页 |
| ·遗传算法在 BP 神经网络中的应用 | 第41-42页 |
| ·模拟退火算法 | 第42-43页 |
| ·本文改进的遗传退火算法 | 第43-45页 |
| ·改进的模拟退火算法 | 第43-44页 |
| ·改进的并行遗传退火算法 | 第44-45页 |
| ·改进算法在 BP 神经网络模型上的应用 | 第45-46页 |
| ·改进的遗传退火 BP 神经网络模型的建立 | 第45-46页 |
| ·本文设计的用于检测孵化卵的神经元网络模型 | 第46页 |
| ·改进的遗传退火 BP 神经网络性能测试 | 第46-47页 |
| ·种蛋成活性检测样本选择及网络训练 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 系统软件设计 | 第51-54页 |
| ·系统软件设计流程 | 第51页 |
| ·TMS320DM6446 开发流程 | 第51-53页 |
| ·TMS320DM6446 软件开发步骤 | 第51-52页 |
| ·图像实时处理模块的实现 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| ·本文的主要研究工作 | 第54页 |
| ·展望与设想 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表的论文 | 第59页 |
| 硕士研究生期间参与的科研工作 | 第59-60页 |
