基于计算机视觉的山竹检测与分级
摘要 | 第5-7页 |
Abstract | 第7-8页 |
第一章 绪论 | 第12-22页 |
1.1 课题研究背景和意义 | 第13-16页 |
1.1.1 计算机视觉概述 | 第13-14页 |
1.1.2 国外研究现状 | 第14-15页 |
1.1.3 国内研究现状 | 第15-16页 |
1.2 水果分级标准 | 第16-17页 |
1.3 本课题研究的目标及主要内容 | 第17-22页 |
1.3.1 课题目的和意义 | 第17-18页 |
1.3.2 课题主要研究内容 | 第18-19页 |
1.3.3 本课题的关键问题与技术路线 | 第19-22页 |
第二章 山竹分级系统的设计 | 第22-42页 |
2.1 山竹分级系统的组成 | 第22-29页 |
2.1.1 一般计算机视觉分级系统组成分析 | 第22-23页 |
2.1.2 山竹分级装置系统分析 | 第23-24页 |
2.1.3 山竹分级装置系统组成 | 第24-26页 |
2.1.4 山竹分级生产线设计 | 第26-29页 |
2.2 山竹进料及分级执行装置设计 | 第29-30页 |
2.2.1 山竹进料装置的设计 | 第29-30页 |
2.2.2 分级执行装置设计 | 第30页 |
2.3 山竹输送装置设计 | 第30-37页 |
2.3.1 确定输送方案 | 第30-31页 |
2.3.2 电动机的选择 | 第31页 |
2.3.3 减速器的选择 | 第31-32页 |
2.3.4 链传动的设计 | 第32-35页 |
2.3.5 山竹果盘的设计 | 第35-36页 |
2.3.6 整体装配 | 第36-37页 |
2.4 山竹采集系统的设计 | 第37-40页 |
2.4.1 照明方案的选择 | 第37-38页 |
2.4.2 光照箱的设计 | 第38-39页 |
2.4.3 摄像机的选择 | 第39页 |
2.4.4 试验采用计算机及软件 | 第39-40页 |
2.5 本章小结 | 第40-42页 |
第三章 山竹图像预处理方法的研究 | 第42-60页 |
3.1 颜色模型及转换 | 第42-46页 |
3.1.1 彩灰图像的相互转化 | 第42-43页 |
3.1.2 RGB-HSI颜色模型转换 | 第43-45页 |
3.1.3 山竹噪声图像的恢复 | 第45-46页 |
3.2 山竹图像分割算法分析比较 | 第46-50页 |
3.2.1 样本分析 | 第46-47页 |
3.2.2 基于灰度相似性的图像分割方法 | 第47-49页 |
3.2.3 基于灰度不连续性的边缘图像分割方法 | 第49-50页 |
3.3 基于阈值法与边缘检测法提取山竹图像 | 第50-57页 |
3.3.1 感兴趣区域获取 | 第51-54页 |
3.3.2 图像阈值分割构建掩膜图像 | 第54-55页 |
3.3.3 山竹边缘提取 | 第55页 |
3.3.4 自定义轮廓处理 | 第55-56页 |
3.3.5 图像合成 | 第56-57页 |
3.4 本章小结 | 第57-60页 |
第四章 山竹基本特征提取 | 第60-78页 |
4.1 山竹等级划分 | 第60-61页 |
4.2 山竹果柄及果蒂提取 | 第61-65页 |
4.3 山竹果径提取 | 第65-70页 |
4.3.1 山竹几何标定 | 第66-67页 |
4.3.2 山竹最大内切圆法 | 第67-68页 |
4.3.3 果实区域拟合圆 | 第68-70页 |
4.4 山竹特征提取 | 第70-76页 |
4.4.1 山竹果蒂颜色特征 | 第70-72页 |
4.4.2 山竹果皮纹理特征 | 第72-76页 |
4.5 本章小结 | 第76-78页 |
第五章 基于BP神经网络的山竹分级 | 第78-88页 |
5.1 BP神经网络简介 | 第78-81页 |
5.1.1 BP神经网络的结构 | 第78-80页 |
5.1.2 BP网络的学习算法 | 第80-81页 |
5.2 BP神经网络设计 | 第81-82页 |
5.3 BP神经网络学习及实现山竹分级 | 第82-85页 |
5.4 本章小结 | 第85-88页 |
第六章 结论与展望 | 第88-90页 |
6.1 结论 | 第88-89页 |
6.2 研究展望 | 第89-90页 |
致谢 | 第90-92页 |
参考文献 | 第92-96页 |
附录A 攻读硕士学位期间获得的科研成果 | 第96页 |