基于机器视觉的苹果果梗/花萼与缺陷识别
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 文献综述 | 第11-21页 |
| 1.1 研究背景 | 第11页 |
| 1.2 苹果分级的国内外研究现状 | 第11-14页 |
| 1.3 苹果表面缺陷识别的国内外研究现状 | 第14-21页 |
| 第2章 绪论 | 第21-25页 |
| 2.1 研究目的及意义 | 第21页 |
| 2.2 主要研究内容 | 第21-22页 |
| 2.3 研究技术路线 | 第22-25页 |
| 第3章 构建苹果表面缺陷检测系统 | 第25-31页 |
| 3.1 机器视觉系统的基本组成 | 第25页 |
| 3.2 相机的选型 | 第25-26页 |
| 3.3 镜头的选型 | 第26-27页 |
| 3.4 光源选型及照明方式设计 | 第27-29页 |
| 3.4.1 光源选取 | 第27-28页 |
| 3.4.2 光源颜色、形状及尺寸 | 第28页 |
| 3.4.3 照明方式设计 | 第28-29页 |
| 3.5 计算机及图像处理软件 | 第29页 |
| 3.6 本章小结 | 第29-31页 |
| 第4章 苹果图像预处理 | 第31-39页 |
| 4.1 颜色模型空间选择 | 第31-34页 |
| 4.1.1 RGB模型 | 第31-32页 |
| 4.1.2 HSI模型 | 第32-33页 |
| 4.1.3 RGB到HSI颜色空间转换 | 第33-34页 |
| 4.2 苹果图像滤波 | 第34-37页 |
| 4.2.1 邻域平均法 | 第34-35页 |
| 4.2.2 中值滤波 | 第35-37页 |
| 4.3 本章小结 | 第37-39页 |
| 第5章 苹果图像目标区域分割 | 第39-47页 |
| 5.1 图像分割 | 第39-41页 |
| 5.1.1 直方图阈值分割 | 第39-40页 |
| 5.1.2 Otsu阈值分割 | 第40-41页 |
| 5.2 边缘检测算法 | 第41-43页 |
| 5.3 提取目标区域 | 第43-46页 |
| 5.3.1 苹果边缘提取及去除 | 第43-44页 |
| 5.3.2 提取单个目标区域 | 第44页 |
| 5.3.3 提取目标彩色图像 | 第44-46页 |
| 5.4 本章小结 | 第46-47页 |
| 第6章 苹果目标区域特征提取 | 第47-51页 |
| 6.1 颜色特征提取 | 第47页 |
| 6.2 纹理特征提取 | 第47-49页 |
| 6.2.1 灰度共生矩阵的原理 | 第47-48页 |
| 6.2.2 纹理特征参数 | 第48-49页 |
| 6.2.3 特征提取 | 第49页 |
| 6.3 形状特征的提取 | 第49页 |
| 6.4 本章小结 | 第49-51页 |
| 第7章 分类器设计与识别结果 | 第51-63页 |
| 7.1 样本数据库建立 | 第51-52页 |
| 7.2 KNN分类器 | 第52-53页 |
| 7.2.1 KNN分类器的概念 | 第52-53页 |
| 7.2.2 KNN分类器识别结果 | 第53页 |
| 7.3 BP神经网络 | 第53-55页 |
| 7.3.1 BP神经网络的基本概念 | 第53-54页 |
| 7.3.2 BP神经网络分类器设计 | 第54-55页 |
| 7.3.3 BP神经网络的训练及识别 | 第55页 |
| 7.4 AdaBoost分类器 | 第55-57页 |
| 7.4.1 AdaBoost的基本概念 | 第55-56页 |
| 7.4.2 AdaBoost分类器算法 | 第56-57页 |
| 7.4.3 AdaBoost分类器识别结果 | 第57页 |
| 7.5 支持向量机 | 第57-61页 |
| 7.5.1 支持向量机分类 | 第57-60页 |
| 7.5.2 支持向量机分类实现过程 | 第60页 |
| 7.5.3 支持向量机识别结果 | 第60-61页 |
| 7.6 本章小结 | 第61-63页 |
| 第8章 苹果果梗、花萼及缺陷识别算法优化 | 第63-67页 |
| 8.1 苹果果梗、花萼及缺陷识别算法 | 第63-64页 |
| 8.2 基于决策树优化的苹果表面缺陷检测算法 | 第64-65页 |
| 8.3 本章小结 | 第65-67页 |
| 第9章 结论与展望 | 第67-69页 |
| 9.1 结论 | 第67页 |
| 9.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 攻读学位期间发表论文及参加课题一览表 | 第75页 |
