基于计算机视觉的木材检尺系统
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 机械检测 | 第12页 |
| 1.2.2 光电检测 | 第12-13页 |
| 1.2.3 光学检测 | 第13页 |
| 1.2.4 激光检测 | 第13页 |
| 1.2.5 基于机器视觉的检尺系统 | 第13-14页 |
| 1.2.6 木材自动化检尺系统的难度 | 第14页 |
| 1.3 论文的主要内容和组织结构 | 第14-17页 |
| 2 深度学习与目标检测 | 第17-34页 |
| 2.1 目标检测算法 | 第17-18页 |
| 2.2 深度学习简介 | 第18-21页 |
| 2.3 基于深度学习的目标检测算法 | 第21-22页 |
| 2.4 YOLO算法与SSD算法 | 第22-24页 |
| 2.4.1 YOLO算法简介 | 第22页 |
| 2.4.2 SSD算法简介 | 第22-24页 |
| 2.5 有效区域的进一步处理 | 第24-26页 |
| 2.5.1 GrabCut图像分割算法 | 第24-25页 |
| 2.5.2 滤波操作 | 第25-26页 |
| 2.5.3 将图像二值化 | 第26页 |
| 2.6 本章实验 | 第26-33页 |
| 2.6.1 实验设计 | 第26-27页 |
| 2.6.2 木材照片的拍摄 | 第27页 |
| 2.6.3 选择深度学习平台与软硬件环境 | 第27-28页 |
| 2.6.4 制作训练集 | 第28-30页 |
| 2.6.5 对SSD和YOLO模型进行训练 | 第30-31页 |
| 2.6.6 模型测试与对比 | 第31-32页 |
| 2.6.7 有效区域的进一步处理 | 第32-33页 |
| 2.7 本章小结 | 第33-34页 |
| 3 特征点匹配与三维重建 | 第34-53页 |
| 3.1 计算机视觉简介 | 第34页 |
| 3.2 特征点识别与匹配 | 第34-38页 |
| 3.2.1 SURF与SIFT算法识别特征点 | 第34-36页 |
| 3.2.2 FLANN特征匹配算法 | 第36-37页 |
| 3.2.3 RANSAC算法剔除误匹配结果 | 第37-38页 |
| 3.3 三维重建基础 | 第38-42页 |
| 3.3.1 图像坐标系与世界坐标系 | 第38-39页 |
| 3.3.2 坐标系之间的转换 | 第39-42页 |
| 3.4 三维重建 | 第42-48页 |
| 3.4.1 标定相机的内参 | 第42-43页 |
| 3.4.2 基础矩阵与本征矩阵 | 第43-46页 |
| 3.4.3 求解三维点坐标 | 第46-48页 |
| 3.5 本章实验 | 第48-52页 |
| 3.5.1 特征点检测 | 第48-49页 |
| 3.5.2 特征点匹配与剔除 | 第49-50页 |
| 3.5.3 求解相机内参 | 第50页 |
| 3.5.4 求解基础矩阵 | 第50-51页 |
| 3.5.5 求解本征矩阵以及三维坐标点 | 第51-52页 |
| 3.6 本章小结 | 第52-53页 |
| 4 三维空间的测量 | 第53-65页 |
| 4.1 特征点凸包求解 | 第53-54页 |
| 4.2 求解拟合平面 | 第54-55页 |
| 4.3 凸包的空间投影面积 | 第55-56页 |
| 4.4 三维平面的矫正 | 第56-60页 |
| 4.4.1 Hough算法检测直线 | 第57页 |
| 4.4.2 特征点到直线距离 | 第57-58页 |
| 4.4.3 将直线恢复到空间位置 | 第58-59页 |
| 4.4.4 空间点到直线距离 | 第59页 |
| 4.4.5 求解木材截面真实面积 | 第59-60页 |
| 4.5 本章实验 | 第60-64页 |
| 4.5.1 木材的手工测量 | 第60-61页 |
| 4.5.2 Hough直线检测以及特征点高度 | 第61-62页 |
| 4.5.3 求解凸包 | 第62页 |
| 4.5.4 求解拟合平面以及凸包投影 | 第62-63页 |
| 4.5.5 三维平面的矫正 | 第63-64页 |
| 4.6 本章小结 | 第64-65页 |
| 5 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65页 |
| 5.2 工作展望 | 第65-67页 |
| 参考文献 | 第67-69页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |
