基于视觉的液位自动识别跟踪设计
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 液位测量方法的研究现状 | 第11-12页 |
| 1.2.2 基于视觉的液位测量技术的研究现状 | 第12-13页 |
| 1.3 论文研究内容与结构安排 | 第13-14页 |
| 1.4 论文的章节安排 | 第14-16页 |
| 第2章 液位测量系统整体设计 | 第16-30页 |
| 2.1 液位测量系统的总体设计 | 第16-17页 |
| 2.2 图像液位视觉测量系统设计 | 第17-19页 |
| 2.2.1 采集图像的选型 | 第17-18页 |
| 2.2.2 镜头的选型 | 第18页 |
| 2.2.3 光源的选型 | 第18-19页 |
| 2.3 液位自动跟踪系统设计 | 第19-27页 |
| 2.3.1 液位自动跟踪系统硬件设计 | 第19-22页 |
| 2.3.2 液位自动跟踪算法设计 | 第22-23页 |
| 2.3.3 模糊PID控制 | 第23-27页 |
| 2.4 系统主控台选型及设计 | 第27页 |
| 2.5 本章小结 | 第27-30页 |
| 第3章 液位图像的预处理 | 第30-38页 |
| 3.1 彩色图像的灰度处理 | 第30-31页 |
| 3.2 图像滤波 | 第31-33页 |
| 3.2.1 本文设计的双边滤波 | 第31-32页 |
| 3.2.2 滤波实验比较 | 第32-33页 |
| 3.3 钢尺区域二值化分割方法 | 第33-37页 |
| 3.3.1 最大类间误差法(OTSU) | 第33页 |
| 3.3.2 最小误差法 | 第33-35页 |
| 3.3.3 最大熵方法 | 第35-36页 |
| 3.3.4 本文设计的自适应二值化阈值分割方法 | 第36页 |
| 3.3.5 各种阈值分割方法实验对比 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 钢尺刻度识别算法 | 第38-52页 |
| 4.1 基于数字结构特征的识别方法 | 第38-39页 |
| 4.2 基于轮廓提取的数字识别算法 | 第39-41页 |
| 4.3 基于模板匹配的数字识别算法 | 第41-47页 |
| 4.3.1 模板匹配算法概论 | 第41-44页 |
| 4.3.2 归一化相关系数匹配法的改进 | 第44-46页 |
| 4.3.3 模板库的设计 | 第46-47页 |
| 4.4 钢尺刻度和刻度线识别算法实现过程 | 第47-50页 |
| 4.4.1 液位图像钢尺区域划分 | 第47页 |
| 4.4.2 搜索最佳匹配位置 | 第47-49页 |
| 4.4.3 液位刻度识别算法设计 | 第49-50页 |
| 4.4.4 液位高度计算原理 | 第50页 |
| 4.5 实验结果与分析 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 动态水位线识别算法设计 | 第52-64页 |
| 5.1 基于边缘检测的传统水位线识别算法 | 第52-55页 |
| 5.1.1 Canny边缘检测 | 第52-53页 |
| 5.1.2 利用Canny边缘检测水位线实验 | 第53-55页 |
| 5.2 基于YOLO v2的物体检测 | 第55-60页 |
| 5.2.1 目标检测过程 | 第55-56页 |
| 5.2.2 YOLO v2网络设计 | 第56-57页 |
| 5.2.3 YOLO v2网络训练 | 第57-58页 |
| 5.2.4 YOLO v2网络预测 | 第58-60页 |
| 5.3 基于YOLO v2的动态液位识别算法设计 | 第60-61页 |
| 5.3.1 基于YOLO v2训练过程设计 | 第60-61页 |
| 5.3.2 动态液位识别算法设计 | 第61页 |
| 5.4 实验结果与分析 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士期间发表的论文和取得的科研成果 | 第70-71页 |
| 致谢 | 第71页 |
