基于果蔬识别的热量测量技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究的目的及意义 | 第10-11页 |
| 1.2 当前国内外研究现状及发展趋势 | 第11-13页 |
| 1.3 主要研究工作及章节安排 | 第13-14页 |
| 第2章 复杂环境下果蔬图像库的预处理 | 第14-25页 |
| 2.1 图像自定义比例裁剪 | 第14-20页 |
| 2.1.1 常见图像裁剪方法 | 第14-15页 |
| 2.1.2 本文使用的图像裁剪方法 | 第15-18页 |
| 2.1.3 裁剪结果及方法对比 | 第18-20页 |
| 2.2 图像亮度调节 | 第20-23页 |
| 2.2.1 颜色空间 | 第20-21页 |
| 2.2.2 亮度调节 | 第21-23页 |
| 2.3 图像去噪 | 第23-24页 |
| 2.3.1 常见去噪算法 | 第23页 |
| 2.3.2 本文使用的去噪算法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 果蔬图像特征提取的技术研究 | 第25-35页 |
| 3.1 轮廓特征提取 | 第25-28页 |
| 3.1.1 传统的Canny算法 | 第25-26页 |
| 3.1.2 改进的Canny算法 | 第26-28页 |
| 3.2 颜色特征提取 | 第28-29页 |
| 3.2.1 颜色直方图 | 第29页 |
| 3.2.2 颜色矩 | 第29页 |
| 3.3 纹理特征提取 | 第29-32页 |
| 3.3.1 灰度共生矩阵算法 | 第30-31页 |
| 3.3.2 改进后的灰度共生矩阵算法 | 第31-32页 |
| 3.4 特征融合 | 第32-34页 |
| 3.4.1 PCA降维算法 | 第32-33页 |
| 3.4.2 匹配得分融合算法 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于多特征融合的SVM算法研究 | 第35-48页 |
| 4.1 支持向量机 | 第35-38页 |
| 4.1.1 选择支持向量机的原因 | 第35-36页 |
| 4.1.2 改进后的支持向量机 | 第36-38页 |
| 4.2 人工神经网络 | 第38-43页 |
| 4.2.1 卷积神经网络介绍 | 第38-42页 |
| 4.2.2 Caffe框架介绍 | 第42-43页 |
| 4.3 实验结果及分析 | 第43-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 拇指测量及营养体系测量 | 第48-53页 |
| 5.1 拇指测量及重量测算 | 第48-51页 |
| 5.1.1 颜色提取 | 第48-51页 |
| 5.1.2 重量测算 | 第51页 |
| 5.2 营养体系测量 | 第51-52页 |
| 5.2.1 营养体系介绍 | 第51页 |
| 5.2.2 果蔬营养数据库 | 第51-52页 |
| 5.3 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间所发表的学术论文 | 第58-59页 |
| 致谢 | 第59页 |
