自然光环境下马铃薯外部缺陷的无损检测方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第2章 马铃薯图像获取方法简介 | 第14-18页 |
| 2.1 试验材料 | 第14页 |
| 2.2 常用马铃薯图像获取方法 | 第14-15页 |
| 2.3 本文马铃薯图像获取方法 | 第15-16页 |
| 2.4 本章小结 | 第16-18页 |
| 第3章 基于颜色特征的马铃薯图像目标分割方法 | 第18-30页 |
| 3.1 引言 | 第18-19页 |
| 3.2 颜色的表达 | 第19-20页 |
| 3.3 消除背景颜色 | 第20-22页 |
| 3.4 灰度化处理 | 第22-24页 |
| 3.4.1 常用的马铃薯图像灰度化方法 | 第22页 |
| 3.4.2 本文采用的饱和度灰度化方法 | 第22-24页 |
| 3.5 阈值分割处理 | 第24-26页 |
| 3.6 形态学去噪声处理 | 第26-27页 |
| 3.7 结果与分析 | 第27-30页 |
| 第4章 基于深度学习的马铃薯缺陷分类方法 | 第30-36页 |
| 4.1 深度学习发展简介 | 第30页 |
| 4.2 深度学习分类简介 | 第30-31页 |
| 4.3 人工神经网络 | 第31-33页 |
| 4.4 卷积神经网络 | 第33-34页 |
| 4.5 马铃薯缺陷分类实验 | 第34-36页 |
| 4.5.1 实验环境 | 第34页 |
| 4.5.2 实验模型 | 第34-36页 |
| 第5章 综合颜色模型的马铃薯绿皮区域检测方法 | 第36-44页 |
| 5.1 引言 | 第36-37页 |
| 5.2 颜色特征的提取 | 第37-40页 |
| 5.2.1 RGB模型颜色特征分析 | 第37-38页 |
| 5.2.2 HSV模型颜色特征分析 | 第38-39页 |
| 5.2.3 LAB模型颜色特征分析 | 第39-40页 |
| 5.3 常用绿皮检测方法 | 第40-42页 |
| 5.3.1 基于欧式距离算法检测 | 第41页 |
| 5.3.2 基于色调特征阈值法检测 | 第41-42页 |
| 5.4 本文基于综合特征的绿皮检测方法 | 第42页 |
| 5.5 结果与分析 | 第42-44页 |
| 第6章 马铃薯发芽与病斑区域检测方法 | 第44-54页 |
| 6.1 引言 | 第44-45页 |
| 6.2 灰度化与中值滤波 | 第45页 |
| 6.3 锐化处理 | 第45-49页 |
| 6.3.1 梯度算子 | 第46页 |
| 6.3.2 Sobel算子 | 第46-47页 |
| 6.3.3 Laplace算子 | 第47-49页 |
| 6.4 灰度方差 | 第49-50页 |
| 6.5 基于拉普拉斯算子灰度方差的检测算法 | 第50-51页 |
| 6.6 结果与分析 | 第51-54页 |
| 6.6.1 发芽缺陷定位 | 第51-52页 |
| 6.6.2 病斑缺陷定位 | 第52-54页 |
| 第7章 总结与展望 | 第54-56页 |
| 7.1 工作总结 | 第54页 |
| 7.2 前景展望 | 第54-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-62页 |
