基于图像处理技术的苎麻和棉纤维纵向全自动识别系统
| 摘要 | 第1-8页 |
| Abstract | 第8-14页 |
| 第1章 绪论 | 第14-22页 |
| ·研究背景和意义 | 第14页 |
| ·图像处理技术的成就及其涉及的研究内容 | 第14-16页 |
| ·图像处理在纤维自动检测和识别的研究与应用 | 第16-19页 |
| ·在纤维自动检测和识别的研究与应用现状 | 第16-18页 |
| ·纤维自动识别存在的主要问题 | 第18-19页 |
| ·研究目标、研究内容和创新点 | 第19-22页 |
| ·研究目标 | 第19-20页 |
| ·研究内容 | 第20页 |
| ·创新点 | 第20-22页 |
| 第2章 硬件系统 | 第22-32页 |
| ·显微镜成像系统 | 第22-23页 |
| ·数字图像采集设备 | 第23-24页 |
| ·三维载物台 | 第24-25页 |
| ·硬件系统搭建 | 第25-26页 |
| ·硬件的基础控制 | 第26-31页 |
| ·数字摄像机的控制及图像采集 | 第26-28页 |
| ·三维载物台的通讯协议及基础控制 | 第28-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 苎麻和棉纤维纵向自动识别系统设计原理概要 | 第32-37页 |
| ·实现纤维自动识别两个重要步骤 | 第32-34页 |
| ·纤维图像的全自动定位采集 | 第32-33页 |
| ·纤维种类无人工干预的图像识别和数据测定 | 第33-34页 |
| ·依据识别结果换算纤维的重量混纺比 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第4章 纤维图像的全自动定位采集 | 第37-82页 |
| ·初次采集 | 第37-43页 |
| ·基于分图像的位置关系缝合全景缩略图 | 第43-47页 |
| ·全景缩略图的分析 | 第47-68页 |
| ·全景缩略图中纤维切段的骨架提取 | 第48-57页 |
| ·纤维骨架中短枝的删除 | 第57-60页 |
| ·全景缩略图缝合区域错位的解决 | 第60-65页 |
| ·全景缩略图中纤维切段的搜索和定位的一种思路 | 第65-66页 |
| ·系统采用的有效纤维目标搜索和定位方法 | 第66-68页 |
| ·试样片中纤维切段目标的定位 | 第68-70页 |
| ·自动聚焦 | 第70-72页 |
| ·定位采集获取苎麻和棉纤维最佳图像 | 第72-77页 |
| ·定位采集结果 | 第73-75页 |
| ·定位采集与地毯式采集的对比分析 | 第75-77页 |
| ·交叉纤维的分离 | 第77-80页 |
| ·本章小结 | 第80-82页 |
| 第5章 纤维种类无人工干预的图像识别和数据测定 | 第82-111页 |
| ·提取纤维表面的条纹 | 第83-90页 |
| ·建立沿着弯曲纤维中心线的正交投影坐标系统 | 第90-92页 |
| ·两个方向的投影曲线及纤维宽度沿纵向变化曲线 | 第92-95页 |
| ·纤维纹路两个方向的投影曲线 | 第93-95页 |
| ·纤维宽度沿着纤维轴向的变化曲线 | 第95页 |
| ·识别的特征参数和概率分布曲线 | 第95-98页 |
| ·提出六个用于识别的特征参数 | 第95-96页 |
| ·六个特征参数的概率分布曲线 | 第96-98页 |
| ·六个特征参数的相关性分析 | 第98-101页 |
| ·苎麻和棉纤维自动识别公式的确立原理 | 第101-103页 |
| ·在特征参数的概率分布曲线上建立系统的识别公式 | 第103-106页 |
| ·利用自适应识别测试确定识别公式中的六个权重系数 | 第106-107页 |
| ·利用识别公式在自动识别系统中识别苎麻和棉纤维 | 第107-109页 |
| ·本章小结 | 第109-111页 |
| 第6章 系统的验证及讨论 | 第111-118页 |
| ·系统测试 | 第111-115页 |
| ·系统的有效性 | 第111-112页 |
| ·系统的稳定性 | 第112-114页 |
| ·系统的再现性 | 第114-115页 |
| ·影响系统识别准确率的因素 | 第115页 |
| ·系统检测速度的影响因素 | 第115-116页 |
| ·纤维切段的最佳长度 | 第116页 |
| ·混纺比检测所需要的最少纤维数量 | 第116页 |
| ·系统存在的问题 | 第116-117页 |
| ·本章小结 | 第117-118页 |
| 第7章 结论 | 第118-121页 |
| 参考文献 | 第121-131页 |
| 攻读学位期间发表的论文 | 第131-132页 |
| 致谢 | 第132页 |
