| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 水果品质检测的研究背景及意义 | 第11-14页 |
| 1.1.1 我国水果生产现状 | 第11-13页 |
| 1.1.2 水果品质检测的目的及意义 | 第13-14页 |
| 1.2 水果品质检测的方法 | 第14-16页 |
| 1.2.1 基于物理特性的水果品质检测方法 | 第14-15页 |
| 1.2.2 基于电子鼻技术的水果品质检测方法 | 第15页 |
| 1.2.3 基于数字图像处理的水果品质检测方法 | 第15-16页 |
| 1.3 基于数字图像处理的水果品质检测技术研究现状 | 第16-19页 |
| 1.3.1 国外研究现状 | 第16-17页 |
| 1.3.2 国内研究现状 | 第17-19页 |
| 1.4 本文研究内容及论文组织 | 第19-21页 |
| 第2章 背景知识介绍 | 第21-27页 |
| 2.1 数字图像处理技术基本原理 | 第21-22页 |
| 2.2 水果分级系统的工作原理 | 第22-23页 |
| 2.3 实验材料和设备组成 | 第23-26页 |
| 2.3.1 课题研究的对象及其检测指标 | 第23-25页 |
| 2.3.2 实验研究的硬件组成 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 水果图像的预处理 | 第27-41页 |
| 3.1 基于彩色的图像处理技术 | 第27-31页 |
| 3.1.1 颜色模型 | 第27-29页 |
| 3.1.2 RGB和HSI颜色模型之间的转换 | 第29-31页 |
| 3.2 水果图像去噪 | 第31-33页 |
| 3.2.1 标量滤波 | 第31-32页 |
| 3.2.2 矢量滤波 | 第32页 |
| 3.2.3 图像去噪结果及分析 | 第32-33页 |
| 3.3 水果图像边缘检测 | 第33-35页 |
| 3.3.1 基于Canny算子的边缘检测 | 第33-34页 |
| 3.3.2 基于矢量梯度边缘检测 | 第34页 |
| 3.3.3 图像边缘提取结果及分析 | 第34-35页 |
| 3.4 水果图像分割 | 第35-40页 |
| 3.4.1 基于单色的图像分割 | 第36-38页 |
| 3.4.2 基于矢量空间的图像分割 | 第38页 |
| 3.4.3 图像分割结果及分析 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 水果表面色泽的检测 | 第41-51页 |
| 4.1 水果表面色泽检测 | 第41-42页 |
| 4.2 颜色模型的快速转换 | 第42页 |
| 4.3 色度旋转 | 第42-45页 |
| 4.4 水果水果表面色泽检测 | 第45-47页 |
| 4.4.1 水果表面颜色分析 | 第45-46页 |
| 4.4.2 直方图分析法 | 第46-47页 |
| 4.5 最小距离分类器 | 第47-50页 |
| 4.5.1 距离函数的选择 | 第48-49页 |
| 4.5.2 最小距离分类器原理 | 第49-50页 |
| 4.6 基于最小距离分类器的水果表面色泽分类结果及分析 | 第50页 |
| 4.7 本章小结 | 第50-51页 |
| 第5章 水果表面缺陷的检测与分类 | 第51-71页 |
| 5.1 水果表面缺陷检测问题分析 | 第51-53页 |
| 5.2 基于数学形态学的果梗提取 | 第53-56页 |
| 5.2.1 数学形态学原理 | 第53-54页 |
| 5.2.2 基于数学形态学的果梗提取结果及分析 | 第54-56页 |
| 5.3 基于注意力选择机制的水果表面缺陷检测 | 第56-61页 |
| 5.3.1 注意力选择模型 | 第56-58页 |
| 5.3.2 AMFT算法 | 第58-59页 |
| 5.3.3 基于注意力选择机制的水果表面缺陷检测结果及分析 | 第59-61页 |
| 5.4 基于支持向量机的水果表面缺陷分类 | 第61-69页 |
| 5.4.1 纹理特征 | 第62-64页 |
| 5.4.2 颜色特征 | 第64页 |
| 5.4.3 支持向量机的基本原理 | 第64-68页 |
| 5.4.4 基于支持向量机的水果表面缺陷分类结果及分析 | 第68-69页 |
| 5.5 本章小结 | 第69-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79页 |
