基于机器视觉的脐橙品质自动检测分类技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 图像分类的概述 | 第10-11页 |
| 1.3 深度学习的发展 | 第11-12页 |
| 1.4 本文的主要内容和结构安排 | 第12-14页 |
| 第二章 图像预处理 | 第14-20页 |
| 2.1 颜色空间 | 第14-16页 |
| 2.2 图像分割 | 第16-17页 |
| 2.3 图像去噪 | 第17-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于字典学习的图像去噪研究 | 第20-27页 |
| 3.1 字典学习基本原理 | 第20-21页 |
| 3.2 字典学习算法 | 第21-24页 |
| 3.2.1 K-SVD算法 | 第21-22页 |
| 3.2.2 字典训练 | 第22-24页 |
| 3.2.3 稀疏分解 | 第24页 |
| 3.3 实验结果与分析 | 第24-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第四章 基于特征融合的脐橙品质检测分类 | 第27-39页 |
| 4.1 HALCON简介 | 第27页 |
| 4.2 脐橙特征类别 | 第27-35页 |
| 4.2.1 目标特征的提取 | 第28页 |
| 4.2.2 单一特征检测分类原理 | 第28-33页 |
| 4.2.3 实验结果与分析 | 第33-35页 |
| 4.3 特征融合分类 | 第35-38页 |
| 4.3.1 特征融合检测分类原理 | 第36-37页 |
| 4.3.2 实验结果与分析 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 基于深度学习的脐橙品质检测分类 | 第39-54页 |
| 5.1 卷积神经网络 | 第39-43页 |
| 5.1.1 卷积神经网络概述 | 第39-42页 |
| 5.1.2 网络结构的发展 | 第42-43页 |
| 5.2 残差网络 | 第43-45页 |
| 5.2.1 残差网络概述 | 第44-45页 |
| 5.2.2 残差网络的学习方法 | 第45页 |
| 5.3 基于残差网络的脐橙检测深度学习模型 | 第45-51页 |
| 5.3.1 caffe平台介绍 | 第45-47页 |
| 5.3.2 脐橙数据集的构建 | 第47-48页 |
| 5.3.3 深度网络模型构建 | 第48-51页 |
| 5.4 模型的训练 | 第51页 |
| 5.5 实验结果与分析 | 第51-53页 |
| 5.6 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-55页 |
| 6.1 全文总结 | 第54页 |
| 6.2 未来展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间的研究成果 | 第59-60页 |
