| 第一章 前言 | 第14-24页 |
| 1.1 选题背景 | 第14-16页 |
| 1.2 机器视觉的适应性 | 第16-19页 |
| 1.2.1 种子检验新技术 | 第16-17页 |
| 1.2.2 机器视觉发展现状 | 第17-18页 |
| 1.2.3 机器视觉技术的基本理论及其适应性 | 第18-19页 |
| 1.3 本文主要内容 | 第19-22页 |
| 1.3.1 研究对象、问题及软件平台 | 第19-20页 |
| 1.3.2 研究目标、内容及方法 | 第20-21页 |
| 1.3.3 技术路线 | 第21-22页 |
| 1.4 研究贡献及其局限 | 第22-24页 |
| 第二章 文献回述 | 第24-48页 |
| 2.1 水稻种子质量 | 第24-28页 |
| 2.1.1 若干指标 | 第24-26页 |
| 2.1.1.1 种子真实性和品种纯度 | 第24-25页 |
| 2.1.1.2 净度 | 第25页 |
| 2.1.1.3 发芽率 | 第25-26页 |
| 2.1.1.4 含水率 | 第26页 |
| 2.1.1.5 健康状况 | 第26页 |
| 2.1.2 种子纯度形态鉴定方法的适应性 | 第26-27页 |
| 2.1.3 杂交稻种子质量缺陷 | 第27-28页 |
| 2.1.3.1 穗发芽 | 第27-28页 |
| 2.1.3.2 霉变 | 第28页 |
| 2.1.3.3 裂颖 | 第28页 |
| 2.2 机器视觉系统的组成 | 第28-36页 |
| 2.2.1 PC式视觉系统与嵌入式视觉系统 | 第28-30页 |
| 2.2.2 光源 | 第30-31页 |
| 2.2.3 照明方式 | 第31页 |
| 2.2.4 镜头 | 第31-32页 |
| 2.2.5 照度匹配 | 第32-33页 |
| 2.2.6 CCD传感器 | 第33-34页 |
| 2.2.7 图像采集卡 | 第34-35页 |
| 2.2.8 软件模块 | 第35-36页 |
| 2.3 机器视觉在农业物料质量检验中的应用研究进展 | 第36-48页 |
| 2.3.1 尺寸与形状检测 | 第37-39页 |
| 2.3.2 表面缺陷检测 | 第39-40页 |
| 2.3.3 品种识别与内部质量检测 | 第40-42页 |
| 2.3.4 人工神经网络的引入 | 第42-43页 |
| 2.3.5 国内研究概况 | 第43-44页 |
| 2.3.6 硬件系统 | 第44-48页 |
| 第三章 研究方法 | 第48-69页 |
| 3.1 供试物料 | 第48页 |
| 3.1.1 供试样品 | 第48页 |
| 3.1.2 分样与保存 | 第48页 |
| 3.2 试验系统 | 第48-52页 |
| 3.2.1 XL-30ESEM环境扫描电镜 | 第48-49页 |
| 3.2.2 FieldSpec~R Pro FR(350-2500nm)光谱仪 | 第49-50页 |
| 3.2.3 标准发芽试验系统 | 第50页 |
| 3.2.4 含水率测定相关设备 | 第50页 |
| 3.2.5 机器视觉试验系统 | 第50-52页 |
| 3.3 基础试验方案 | 第52-55页 |
| 3.3.1 稻种显微特性观察试验方案 | 第52页 |
| 3.3.2 稻种光谱测定试验方案 | 第52页 |
| 3.3.3 稻种发芽试验方案 | 第52-53页 |
| 3.3.4 系统构建与优化试验方案 | 第53-55页 |
| 3.3.5 稻种图像采集试验方案 | 第55页 |
| 3.4 算法和试验方案 | 第55-69页 |
| 3.4.1 图像预处理方法对比选择 | 第55-57页 |
| 3.4.2 特征提取与图像信息库的建立 | 第57-60页 |
| 3.4.3 特征选择 | 第60-61页 |
| 3.4.4 图像识别 | 第61-68页 |
| 3.4.4.1 芽谷检测 | 第62-63页 |
| 3.4.4.2 霉变检测 | 第63-65页 |
| 3.4.4.3 裂颖检测 | 第65页 |
| 3.4.4.4 品种识别 | 第65-68页 |
| 3.4.5 试验验证与稻种图像分析界面 | 第68-69页 |
| 第四章 基础试验结果与分析 | 第69-91页 |
| 4.1 稻种显微特性观察试验结果与分析 | 第69-71页 |
| 4.1.1 裂颖显微观察 | 第69-70页 |
| 4.1.2 芽谷显微观察 | 第70-71页 |
| 4.1.3 霉变显微观察 | 第71页 |
| 4.2 光谱测定试验结果与分析 | 第71-75页 |
| 4.2.1 光谱测定试验原始数据 | 第71-72页 |
| 4.2.2 光谱测定试验处理数据 | 第72-73页 |
| 4.2.3 彩色CCD相对响应 | 第73-75页 |
| 4.2.4 光谱测定试验结果分析 | 第75页 |
| 4.3 标准发芽试验结果与分析 | 第75-76页 |
| 4.3.1 发芽试验结果 | 第75页 |
| 4.3.2 标准发芽试验结果分析 | 第75-76页 |
| 4.4 硬件系统构建与优化试验结果与分析 | 第76-80页 |
| 4.4.1 硬件系统分析 | 第76-78页 |
| 4.4.2 背景试验结果 | 第78-80页 |
| 4.5 稻种图像采集与图像库管理 | 第80-81页 |
| 4.5.1 稻种图像采集结果与分析 | 第80-81页 |
| 4.5.2 稻种图像库管理 | 第81页 |
| 4.6 图像预处理过程与结果 | 第81-85页 |
| 4.6.1 图像基本预处理 | 第81-83页 |
| 4.6.2 轮廓特征提取预处理 | 第83-84页 |
| 4.6.3 颜色特征提取预处理 | 第84-85页 |
| 4.7 基本特征提取与信息库 | 第85-89页 |
| 4.7.1 轮廓特征提取 | 第85页 |
| 4.7.2 颜色特征提取 | 第85-88页 |
| 4.7.3 图像信息库 | 第88-89页 |
| 4.8 本章小结 | 第89-91页 |
| 第五章 缺陷检测 | 第91-108页 |
| 5.1 芽谷检测 | 第91-95页 |
| 5.1.1 芽谷检测特征分析 | 第91-94页 |
| 5.1.2 芽谷检测线性判别 | 第94-95页 |
| 5.1.3 芽谷检测算法对比 | 第95页 |
| 5.2 霉变检测 | 第95-101页 |
| 5.2.1 正常与霉变两类检测 | 第95-98页 |
| 5.2.2 正常、轻霉和重霉三类检测 | 第98-100页 |
| 5.2.3 霉变检测算法对比 | 第100-101页 |
| 5.3 裂颖检测 | 第101-107页 |
| 5.3.1 哈夫变换预处理 | 第101-104页 |
| 5.3.2 哈夫变换特征提取 | 第104-106页 |
| 5.3.3 裂颖检测 | 第106-107页 |
| 5.3.4 裂颖检测算法分析 | 第107页 |
| 5.4 本章小结 | 第107-108页 |
| 第六章 品种识别 | 第108-127页 |
| 6.1 单特征阈值分类 | 第108-110页 |
| 6.1.1 单特征阈值分类研究对象 | 第108页 |
| 6.1.2 单特征阈值分类特征分析 | 第108-109页 |
| 6.1.3 单特征阈值品种识别 | 第109-110页 |
| 6.2 感知器品种分类 | 第110-113页 |
| 6.2.1 感知器品种分类研究对象 | 第110页 |
| 6.2.2 感知器品种分类特征分析 | 第110-113页 |
| 6.2.3 感知器品种识别 | 第113页 |
| 6.3 带冲量的自适应BP网络品种分类 | 第113-121页 |
| 6.3.1 研究对象 | 第113-114页 |
| 6.3.2 特征分析 | 第114-116页 |
| 6.3.3 网络结构 | 第116-118页 |
| 6.3.4 网络优化 | 第118-120页 |
| 6.3.5 品种识别 | 第120-121页 |
| 6.4 共轭梯度法多品种分类 | 第121-125页 |
| 6.4.1 多品种分类研究对象 | 第121页 |
| 6.4.2 多品种分类特征分析 | 第121-123页 |
| 6.4.3 多品种分类网络结构 | 第123-125页 |
| 6.4.4 多品种分类网络训练 | 第125页 |
| 6.4.5 多品种分类性能测试 | 第125页 |
| 6.5 本章小结 | 第125-127页 |
| 第七章 总结 | 第127-131页 |
| 7.1 基于Matlab平台的稻种图像分析系统 | 第127-128页 |
| 7.2 总结 | 第128-129页 |
| 7.2.1 主要结论 | 第128-129页 |
| 7.2.2 主要创新点 | 第129页 |
| 7.3 展望 | 第129-131页 |
| 参考文献 | 第131-142页 |