基于机器视觉的苹果分拣关键技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 果蔬分拣的研究现状 | 第10-15页 |
| 1.2.1 国外研究现状 | 第11-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 视觉分拣关键技术的研究现状 | 第15-18页 |
| 1.3.1 目标识别与分类技术 | 第15-17页 |
| 1.3.2 目标定位技术 | 第17-18页 |
| 1.4 研究内容 | 第18-19页 |
| 1.5 研究方案及技术路线 | 第19-20页 |
| 1.5.1 研究方案 | 第19页 |
| 1.5.2 技术路线 | 第19-20页 |
| 第二章 苹果分拣系统构建 | 第20-32页 |
| 2.1 分拣系统总体设计 | 第20-21页 |
| 2.1.1 系统设计要求 | 第20页 |
| 2.1.2 系统组成 | 第20-21页 |
| 2.1.3 图像采集方案 | 第21页 |
| 2.2 分拣系统硬件选型 | 第21-28页 |
| 2.2.1 视觉检测模块 | 第21-25页 |
| 2.2.2 机器人模块 | 第25-28页 |
| 2.2.3 传送装置及控制柜 | 第28页 |
| 2.3 分拣系统软件设计方案 | 第28-30页 |
| 2.3.1 开发平台 | 第29-30页 |
| 2.3.2 模块及功能划分 | 第30页 |
| 2.4 苹果分拣关键技术 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 苹果分拣中的识别与分类技术研究 | 第32-51页 |
| 3.1 引言 | 第32页 |
| 3.2 算法原理及编程 | 第32-39页 |
| 3.2.1 最小二乘支持向量机 | 第32-34页 |
| 3.2.2 基于方向梯度直方图特征的SVM | 第34页 |
| 3.2.3 深层卷积神经网络 | 第34-36页 |
| 3.2.4 改进的LeNet-5卷积网络模型 | 第36-37页 |
| 3.2.5 软件编程 | 第37-39页 |
| 3.3 苹果分类方法研究 | 第39-45页 |
| 3.3.1 实验样本 | 第39-40页 |
| 3.3.2 基于SVM的苹果分类 | 第40-41页 |
| 3.3.3 基于CNN的苹果分类 | 第41-44页 |
| 3.3.4 结果与分析 | 第44-45页 |
| 3.4 苹果分级方法研究 | 第45-50页 |
| 3.4.1 实验样本 | 第45页 |
| 3.4.2 基于SVM的苹果分级 | 第45-48页 |
| 3.4.3 基于CNN的苹果分级 | 第48-49页 |
| 3.4.4 总结与分析 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 苹果分拣中的摄像机标定 | 第51-63页 |
| 4.1 摄像机成像模型 | 第51-54页 |
| 4.1.1 四种坐标系 | 第51-53页 |
| 4.1.2 线性摄像机模型 | 第53-54页 |
| 4.1.3 非线性摄像机模型 | 第54页 |
| 4.2 标定方法 | 第54-57页 |
| 4.2.1 Tsai两步标定法 | 第55页 |
| 4.2.2 张正友标定法 | 第55-57页 |
| 4.2.3 摄像机成像模型的改进 | 第57页 |
| 4.3 摄像机标定实验及结果分析 | 第57-62页 |
| 4.3.1 标定实验系统搭建 | 第57页 |
| 4.3.2 标定步骤 | 第57-60页 |
| 4.3.3 结果及分析 | 第60-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 苹果分拣中的目标定位 | 第63-71页 |
| 5.1 边缘轮廓提取 | 第63-66页 |
| 5.1.1 图像预处理 | 第63-66页 |
| 5.1.2 苹果图像边缘检测 | 第66页 |
| 5.2 苹果图像轮廓中心点提取 | 第66-70页 |
| 5.2.1 Hough变换圆检测 | 第67-68页 |
| 5.2.2 基于Hough圆检测识别苹果 | 第68-69页 |
| 5.2.3 定量结果分析 | 第69-70页 |
| 5.3 机器人坐标系下位置变换 | 第70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 结论与展望 | 第71-73页 |
| 6.1 结论 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 作者简介 | 第78-79页 |
| 附件 | 第79页 |
