基于深度学习的小麦外观品质机器视觉检测研究
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-11页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-20页 |
| 1.2.1 基于机器视觉的农产品检测研究现状 | 第16-18页 |
| 1.2.2 小麦外观品质机器视觉检测研究现状 | 第18-19页 |
| 1.2.3 基于深度学习的农产品识别研究现状 | 第19-20页 |
| 1.3 存在问题 | 第20-21页 |
| 1.4 研究内容 | 第21页 |
| 1.5 研究方法与技术路线 | 第21-23页 |
| 1.6 论文组织结构 | 第23-24页 |
| 第二章 图像采集与预处理 | 第24-34页 |
| 2.1 图像获取平台设计与开发 | 第24-27页 |
| 2.2 供试材料选择 | 第27页 |
| 2.3 图像预处理 | 第27-32页 |
| 2.3.1 图像采集 | 第28页 |
| 2.3.2 图像增强 | 第28-29页 |
| 2.3.3 图像分割 | 第29-30页 |
| 2.3.4 形态学处理 | 第30-32页 |
| 2.4 样本扩容 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于SVM模型的小麦籽粒外观品质识别 | 第34-46页 |
| 3.1 小麦籽粒图像特征提取 | 第34-41页 |
| 3.1.1 颜色特征提取 | 第34-36页 |
| 3.1.2 形态特征提取 | 第36-38页 |
| 3.1.3 纹理特征提取 | 第38-40页 |
| 3.1.4 特征优选 | 第40-41页 |
| 3.2 基于SVM的多分类模型构建 | 第41-43页 |
| 3.2.1 SVM识别模型 | 第41-43页 |
| 3.2.2 核函数选择和关键参数寻优 | 第43页 |
| 3.3 识别结果分析 | 第43-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 基于改进CNN的小麦籽粒外观品质识别方法 | 第46-57页 |
| 4.1 经典CNN网络模型简介 | 第46-49页 |
| 4.1.1 激活函数的选择 | 第47-48页 |
| 4.1.2 过拟合问题及分类器选择 | 第48-49页 |
| 4.2 经典CNN网络模型的设计 | 第49-51页 |
| 4.3 残差CNN网络模型设计 | 第51-54页 |
| 4.4 识别模型训练参数选择、训练及检验 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 不同模型识别结果及分析 | 第57-61页 |
| 5.1 分类评判准则 | 第57页 |
| 5.2 不同方法识别效果对比 | 第57-59页 |
| 5.3 混合籽粒识别结果 | 第59页 |
| 5.4 识别效率试验 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 结论与展望 | 第61-63页 |
| 6.1 结论 | 第61-62页 |
| 6.2 创新点 | 第62页 |
| 6.3 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 个人简介 | 第69页 |
