一、计算机视觉及模式识别技术在农业领域的应用（论文文献综述）
朱云,凌志刚,张雨强[1]（2020）在《机器视觉技术研究进展及展望》文中研究说明机器视觉是建立在计算机视觉理论工程化基础上的一门学科,涉及到光学成像、视觉信息处理、人工智能以及机电一体化等相关技术。随着我国制造业的转型升级与相关研究的不断深入,机器视觉技术凭借其精度高、实时性强、自动化与智能化程度高等优点,成为了提升机器人智能化的重要驱动力之一,并被广泛应用于工业生产、农业以及军事等各个领域。在广泛查阅相关文献之后,针对近十多年来机器视觉相关技术的发展与应用进行分析与总结,旨在为研究学者与工程应用人员提供参考。首先,总结了机器视觉技术的发展历程、国内外的机器视觉发展现状;其次,重点分析了机器视觉系统的核心组成部件、常用视觉处理算法以及当前主流的机器视觉工业软件;然后,介绍了机器视觉技术在产品瑕疵检测、智能视频监控分析、自动驾驶与辅助驾驶与医疗影像诊断等4个典型领域的应用;最后分析了当前机器视觉技术所面临的挑战,并对其未来的发展趋势进行了展望,为机器视觉技术的发展和应用推广发挥积极作用。
柳琦,涂郑禹,陈超,吴鹏[2]（2020）在《计算机视觉技术在食品品质检测中的应用》文中提出随着消费者对食品安全关注的增加,食品品质检测越来越重要。计算机视觉技术作为一种无损检测方法,具有快速、简便、制样少的优势,已广泛应用于食品大小、形状、颜色、表面缺陷、新鲜度等品质检测。该文简要陈述计算机视觉技术的原理,主要介绍国内外食品品质检测中计算机视觉技术的应用研究和发展状况。
何芳[3]（2020）在《农业生产中计算机视觉与模式识别技术应用》文中研究说明随着现代科技中计算机技术的不断发展,计算机对于事物的处理能力已经成熟。人们已经可以熟练运用计算机的各种能力来解决生活中和产业上的创新。对于农业生产行业来说,计算机科技的发展也衍生出了非常有利的科技能力,例如计算机视觉与模式识别技术能够帮助农业生产避免一些麻烦,也能够更简便地进行农产品的检测和分级。本文根据计算机视觉与模式识别技术对于农业生产行业的帮助和运用展开论述。
刘宝洋[4]（2020）在《基于机器视觉的黄瓜叶部病害程度检测系统研究》文中提出植物病害是危害蔬菜品质的主要因素之一,很大程度上损害农民经济收入,黄瓜在其生长周期中极易受到病害威胁,大规模、高密度的种植方式给传统的病害防治措施带来了巨大挑战。传统的病害防治方法通过人眼观察或者侵染性实验,该方法具有效率低下、主观性强等缺点,并且过量地使用化学农药不仅会导致农药残留、植物抗药性的问题,同时对环境造成污染。机器视觉、人工智能等相关技术在农业领域被广泛应用,特别是在植物病害识别和果实品质检测等相关领域取得优异成果,故本文将不同病害程度的黄瓜叶片病害图像作为研究对象,利用机器视觉和深度学习等相关技术对黄瓜叶部病害程度分级识别方法进行研究,对提高农产品品质和保证农业生态环境的绿色、可持续发展具有重要意义。本论文针对自然背景下不同病害程度的3种黄瓜叶部主要病害类型的分级识别方法进行研究,主要包括以下内容:（1）对采集的不同病害程度的黄瓜叶片图像进行数据增强处理,将黄瓜叶片病害图像进行旋转、扭曲、镜像变换、添加噪声等多种几何变换方法并且不改变图像的类别和属性,扩充数据集样本,解决训练样本不足的问题,在训练中减少模型过拟合问题,并按照一定比例将创建的数据集划分为训练集和测试集。（2）为避免传统识别方法中复杂的图像预处理和人工设计特征过程,本文以VGG-16网络模型为基础构建一个改进的深度卷积神经网络（Convolutional Neural Networks,CNN）模型,该算法首先利用微型迁徙学习、带参数整流函数（PReLU）来构建深度卷积层,对不同尺寸的黄瓜叶片病害输入图像进行快速且稳定的特征提取;然后采用空间金字塔池化的方式实现固定大小的黄瓜病害特征图像的输出表示;最后替换全连接层中的参数以降低计算复杂度,通过Softmax实现黄瓜叶片病害程度识别。实验结果表明,本论文提出的网络模型具有较好的识别性能,对黄瓜叶部病害程度的分级识别率为87.24%。（3）针对CNN在训练过程中的过拟合问题,分析讨论了卷积核尺寸、梯度下降优化算法以及激活函数的参数选择对模型过拟合率的影响,并且调整网络模型中的参数进行实验对比,验证改进的深度CNN模型的图像分类识别性能。
熊浩[5]（2019）在《基于计算机视觉的蚕蛹雌雄自动识别系统的研究》文中研究指明我国作为世界蚕桑产业的发源地,在蚕桑产业中一直占据着世界市场的重要地位。在桑蚕养殖的过程中,蚕蛹雌雄识别分类的准确率将直接影响到蚕茧、茧丝绸的产量与质量。本文针对江苏某蚕业企业人工鉴别成本高且准确率低的问题,研究了基于计算机视觉的蚕蛹雌雄自动识别技术,具体开展的工作如下:（1）蚕蛹图像的预处理。针对采集的蚕蛹图像特征信息不清晰以及噪声污染等问题,对原图像进行图像增强处理,具体包括图像的滤波去噪和图像的灰度增强;为实现图像中目标与背景的准确分割,采用了阈值分割与形态学处理技术相结合的方法。（2）蚕蛹图像的特征提取与分析。为了分析雌蛹和雄蛹在形状特征上具体的差异性,分别提取了面积、周长和分散度三种特征参数并进行数据分析;针对蚕蛹的正面与背面在纹理上的差异性,采用了灰度共生矩阵的方法对图像的纹理特征提取并进行数据分析;针对雌蛹和雄蛹在尾部纹理上的差异性,采用了改进的LBP算子对纹理特征进行提取。（3）基于PCA和SVM的蚕蛹雌雄识别分类。针对获取的特征数据维数过高,采用了主成分分析方法对蚕蛹的特征数据进行降维;考虑到支持向量机SVM对高维、非线性问题表现出的优异效果,采用了支持向量机的方法设计相应的分类器。（4）蚕蛹雌雄自动识别与分拣控制系统的研究。基于项目前期的调研和文献查阅,首先提出了蚕蛹雌雄自动识别与分拣控制系统的总体设计方案.然后针对图像采集与识别和HMI监控系统两个子部分,进一步的提出了更加具体的实施方案。
徐伟悦[6]（2019）在《自然光照下基于超像素的识别和计数系统研究》文中研究表明基于机器视觉的目标识别与计数能够有效解决人工识别计数中存在的费时费力且识别率低的问题,是全面实现农业机械自动化智能化至关重要的一步。农业领域的相关作业大多需要在室外进行,而室外多变的自然条件常常给视觉识别带来很多难题,比如作业场景复杂,室外光照随时间变化较大,从早晚的弱大气光到正午的强太阳光,光强度和光颜色都具有很大差异性;不同生长时期的植物获取的田间图像光照条件不同、颜色变化明显;视野内目标被其他物体遮挡或者目标与目标之间的重叠都会产生各种不同形式的阴影,等等。农业领域中自然场景的不确定性和模糊性使得自然环境下的图像理解具有极大的挑战性。因此在执行识别任务时必须考虑光照问题的影响,以此来提高农业领域机器视觉识别的效率,准确度和稳定性。本文以解决农业生产过程中涉及的识别计数问题为目标,将两种优势互补的超像素算法与边缘概率图进行融合生成新的超像素块,以超像素块作为基本单位进行图像处理,引入自定义的亲和度矩阵和超度量轮廓图用于阴影检测研究,构建了基于机器学习的识别分类模型,为推进基于机器视觉的自动识别和计数在农业领域的广泛应用提供了技术支撑。主要的研究内容和结论包括:（1）为了在果蔬采摘机器人视觉系统的识别任务中提高算法的效率、满足实时性要求提出了 FSLIC超像素分割算法。首先将图像转换到CIELAB颜色空间,将原始SLIC算法的距离度量方法进行范式变换得到相关参数的统一模式,在分配所有像素到聚类中心和更新聚类中心的过程（迭代步骤）中,应用基于带权值的L2-norm像素范数和Cauchy-Schwarz不等式条件从而减少了分割结果的冗余错误,优化了分割结果,同时省去了大量由距离计算和对比计算带来的聚类搜索。以苹果为目标对FSLIC算法进行了试验分析,分析指标包括欠分割误差,边界召回率和算法效率,结果验证了超像素方法在自然光照场景下图像分割的可行性,同时也证明了 FSLIC超像素算法的优越性,即FSLIC算法在较好保持图像边界命中率的同时,使超像素分割的运行速度比原始算法提高了近1.2倍。为目前图像处理领域的过时间消耗难题提供了一个很好的解决思路。（2）为了提高视觉系统的整体分割性能和整体识别准确率,提出了一种新的融合了两种超像素算法（FSLIC和SEEDS）的超像素策略,同时引入HNE边缘特征构建了 FDSE超像素算法。具体步骤为:首先对整幅图像使用HNE进行边缘标记（记为边缘概率图E）,初始化种子点;然后应用FSLIC算法和SEEDS算法给每个像素分配标签（记为EF和Es）;依据边缘概率图E优先原则强制加权EF和Es,生成了与E重合的强边界以及不重合的F软边界、S软边界;将F软边界依据能量函数重新划分,与F软边界重合则标记强边界,否则为弱边界;同理将S软边界依据颜色空间距离重新划分,与S软边界重合则标记为强边界,否则为弱边界;最后删除弱边界即生成了FDSE超像素。将基于HNE的边缘标记步骤删除时,算法生成FDS超像素。以甘蔗蚜虫作为研究对象,基于分割质量,运算效率,自然光照条件和蚜虫目标排列分布四个方面与其他七种超像素算法进行对比试验。结果显示FDS算法和FDSE算法在农田多变自然光照条件下具有较稳定的性能,为提高识别的鲁棒性提供了一种新的思路。（3）为了降低阴影对识别算法的影响,提出了一种新的基于超像素的阴影检测算法。首先定义封闭曲线和区域层次结构之间的对偶性,应用分层分割理论提取图像的关键轮廓,并结合方向分水岭算法将多层关键轮廓图转换为超度量轮廓图UCM;优化UCM各个特征信息参数,使用亲和度矩阵加权UCM的轮廓特征信息。在创建UCM图之后,训练分类器,其具体做法为:使用手动标记的已知阴影掩模,可以获得正（负）训练样本（正负样本均为UCM轮廓上的线段）。正样本是在同一个对象内的阴影边线,负样本是其他边线。分类器的输入特征是亲和度矩阵和相应的超像素块到UCM轮廓的距离;输出标签是阴影边缘线和非阴影边缘线。从而得到标记了阴影区域和非阴影区域的图像。以苹果图像为研究对象,使用受试者工作特性曲线（ROC曲线）、平衡精确度（BA）、改进的分割精确度（MSA）和相对分割区域误差值（RSAE）四个标准将本文阴影检测算法与三种经典的方法进行对比。对比实验表明:本文提出的基于UCM的阴影检测算法在识别目标表面的阴影检测中表现出了更低的相对分割误差（RSAE为10.3%）;阴影去除算法与原始图像分割算法相比,在图像分割任务中贡献了更高的分割精确度（MSA 比原始算法提高了 10.1%）。（4）设计并实现了一种新的可以应对复杂自然光照条件的识别和计数系统。首先应用SUN显着性算法找到目标感兴趣区域（ROI）,再将图像切分为若干子图像以实现并行处理;然后是训练SVM分类器:将原始图像应用FDSE超像素算法进行分割,分割后生成的超像素块划分为正样本和负样本,正样本为目标超像素块,负样本为其余超像素块,对正负样本分别提取uniform LBP特征（均匀局部二值模式特征）和颜色矩特征,并基于主成分分析理论对特征进行降维;选择合适的模型参数:核函数类型设置为RBF核,核函数中伽马取值为0.03125,惩罚函数C为32,应用LIBSVM对样本进行训练后得到模型;以超像素块为基本单位对图像进行测试,其中输入特征为各个超像素的纹理特征和颜色矩特征,输出标签为目标超像素块和其他超像素块。选用了小尺寸的甘蔗蚜虫作为研究目标进行试验。对识别计数系统的性能基于五个评价标准进行分析,包括F-score,甘蔗蚜虫正确识别精度（IRC）和计数精确度（CRC）,以及甘蔗蚜虫的识别误差（IE）和计数误差（CE）。结果表明,在七种蚜虫密度等级中,本文算法的F-score（0.82-0.97）高于逐像素算法（0.6-0.76）,识别误差IE小于0.24,计数精确度CRC高于0.84。本文设计的应对复杂自然光照条件的识别和计数系统可以为高效的害虫管理提供很重要的参考和技术支撑。
刘迦南[7]（2019）在《基于图像识别的烟草夜蛾科主要害虫分类研究》文中指出我国是全世界最大的烟草生产国与消费国,全球35%的烟草产出和32%的烟草销售均在我国。烟草行业正在飞速发展,所带来的经济效益也在逐年提高,连续多年纳税额超过万亿,成为国家财政收入的支柱产业。然而每年因为病虫害给国家带来了巨大的经济损失,其中两种害虫棉铃虫和烟青虫造成的损失十分严重,两者仅在烟草上稳定共存,属近缘物种且人眼不易区分。针对这两种昆虫成虫和蛹的特点,利用图像处理和模式识别技术展开烟草害虫自动识别技术的研究,该方法可以快速且准确地检测识别出待检验害虫,有利于我国烟草产业的信息化与现代化。本文的主要研究内容如下:（1）烟草害虫图像的采集和预处理。室内人工饲养两种烟草害虫,利用工业相机采集棉铃虫和烟青虫的成虫图像,对采集后的图像进行了直方图均衡化、均值滤波等预处理,提高了原始图像的对比度和强化边缘细节信息等。利用工业相机、单反相机等分别对蛹采集图像,确定最佳采集设备。（2）烟草害虫图像的分割。分别对图像进行RGB颜色空间和HSI颜色空间的转换,分析结果表明,成虫图像在S通道更利于分割,采用OTSU方法、直方图阈值法等分别对图像进行分割,结果表明直方图阈值法分割效果最佳。针对目标图像的噪声和内部孔洞,进行形态学处理和孔洞填充得到单一目标图像,以利于图像特征提取。蛹期R通道图像效果良好,可直接用于下一步特征提取。（3）烟草害虫图像的特征提取。通过研究棉铃虫和烟青虫成虫图像的颜色、纹理、形态等特征,对成虫RGB图像提取颜色矩特征、对其B通道图像提取基于灰度共生矩阵和差分统计矩阵的纹理特征以及七阶不变矩形态特征,形成一个36维的图像特征空间。分析两种害虫蛹期图像在纹理上的差异,提取其R通道的基于灰度共生矩阵的纹理特征,形成16维的图像特征空间。（4）烟草害虫图像的特征优化和分类。利用模拟退火算法对成虫图像原始特征空间进行了优化降维,选择出B通道二阶矩、G通道三阶矩等15个优化特征,采用支持向量机作为最终分类判别工具。样本集中成虫图像共400张,每种100张,其中280张用于训练,120张用于测试;蛹期图像共280张,每种70张,其中200张用于训练,80张用于测试。针对两类四种成虫进行分类判别,识别率达到了95.83%,较优化前提高2.5%,时间效率提高32.47%;针对两类害虫雌雄蛹进行分类判别,棉铃虫和烟青虫雌雄蛹的识别率分别达到82.5%和87.5%。实验结果表明,基于图像识别技术对烟草害虫成虫分类及雌雄判别是有效的,对蛹期雌雄分类是可行的。
张明[8]（2018）在《基于计算机视觉技术的马铃薯病害识别研究》文中提出马铃薯是一种重要的粮菜兼用型农作物,成为继小麦、稻谷和玉米之后的又一主粮,其适应性强、产量高、营养丰富,不仅是世界粮食市场上的一种主要食品,而且也是重要的工业原料,极具开发价值。我国是马铃薯生产的第一大国,甘肃省以其独特的自然资源、农田气候和环境资源,已经成为马铃薯的主要产区之一,种植面积和产量均居全国第一位,促进了全省马铃薯产业的蓬勃发展,是农业增收、企业增效、农民致富的重要途径。我国是一个农业大国,也是一个农业病虫害多发的国家,不仅种类繁多、分布广泛,而且成灾条件复杂。马铃薯病害一直都是制约其可持续发展的主要因素之一,在造成经济损失的同时,还会造成环境污染和食物污染,也会对人类食品安全造成威胁。为了解决马铃薯病害发生严重、产生分散、病虫害专家缺乏等问题,帮助基层技术人员和广大种植用户及时准确地诊断马铃薯病害、把握发生动态、指导开展防控和防治工作,在计算机视觉技术的基础上,结合智能优化算法和深度学习算法,针对马铃薯病害图像的自动识别问题开展了一系列的研究,主要工作如下:（1）分别于2015年和2016年的7月至9月间,在甘肃省马铃薯的主要种植区域定西市的“国家现代化农业示范区马铃薯模式化攻关—定西市安定区香泉镇示范基地”以及定西市的临洮县、康乐县、岷县、渭源县、漳县和陇西县进行马铃薯病害图像的采集工作,重点采集了马铃薯叶部的病害图像。然后采用计算机视觉技术,在Adobe Photoshop CS6 x64简体中文版软件中对采集到的图像进行图像裁剪、调整图像分辨率的预处理,在MathWorks MATLAB R2016a x64简体中文版软件中采用编程的方式进行图像灰度化、灰度图像中值滤波和彩色图像中值滤波的预处理。（2）在研究OTSU阈值分割算法和SFLA智能优化算法的基础上,将OTSU算法简单高效的特点与SFLA算法高效的计算性能、不易陷入局部最优、优良的全局寻优能力、易于实现的特点相结合,首次提出了一种新的基于混合蛙跳算法的OTSU阈值分割算法（OTSU-Shuffled Frog Leaping Algorithm,简称OTSU-SFLA算法）。首先对预处理好的马铃薯病害图像进行灰度化处理并且计算其直方图,然后采用OTSU算法根据直方图对病害图像进行基础分割,最后将OTSU算法的分割结果作为SFLA算法的优化起点,在OTSU算法分割的基础上,利用SFLA算法强大的寻优能力与计算能力做进一步的分割优化,在MathWorks MATLAB R2016a x64简体中文版软件中采用该算法进行编程,从复杂马铃薯病害图像中成功地获取了病斑区域,实现了图像病斑的准确分割。同时,在该算法中首次提出了图像分割紧凑度的概念和具体的计算方法,并且将图像分割紧凑度与交叉熵的加权和作为该算法的适应度函数,在OTSU-SFLA算法中引入该适应度函数后,不仅算法收敛速度快,而且还不易陷入局部最优。（3）在研究人工神经网络和深度学习算法的基础上,充分利用卷积神经网络在计算机视觉方面的优秀性能以及其强大的建模能力、特征学习能力和模式识别能力,基于Caffe开放框架构建了一个13层的基于深度卷积神经网络的马铃薯病害识别模型,由1个输入层、5个卷积层、3个池化层、2个全连接层、1个Softmax层和1个输出层所组成,ReLU函数作为其激活函数,该模型把特征提取直接纳入到模型的学习训练之中,将病害图像的特征提取和分类识别有机地进行了组合。将OTSU-SFLA算法分割之后的二值图像还原为彩色图像,然后将其分成两组样本,一组样本中的每张图像每45度逆时针旋转一次,共旋转7次,在原样本基础上扩大8倍后对模型进行了训练和参数调整;另一组样本对模型进行了识别测试,平均正确率为95.17%,较好地实现了马铃薯病害图像的特征提取和病害识别。
邓忠易[9]（2018）在《基于神经网络的实蝇成虫图像识别算法》文中研究指明机器视觉技术是一项涉及人工智能?自动控制?神经生物学及图形图像学等众多学科的综合技术?随着计算机软硬件与图像处理技术的发展,机器视觉技术在理论和实践上都取得了重大突破,并扩展到了农业工程领域。目前,发达国家在农业生产自动化方面己经使用机器视觉技术来实现对作业对象的识别和管理。我国在机器视觉技术与农业工程领域相结合的应用研究起步较晚,同时我国农业生产环境具有复杂多变性以及非结构化特性,使得机器视觉在农业生产中的应用还不够成熟。尽管如此,在借鉴国外技术的基础上,国内的学者也已经展开大量研究,将其应用在虫害检疫、果蔬采摘、农田灌溉等广泛领域,并取得了一定成果,可以预见,将计算机学科的前沿技术融合到农业工程领域,是促进我国农业机械自动化、智能化发展的全新方向。本文以我国南方实蝇类的优势种——桔小实蝇、南瓜实蝇、瓜实蝇三类果实蝇成虫作为研究对象,借助计算机视觉技术对目标图像进行处理分析,目的是为了能够从图像中快速、准确地识别双翅目果实蝇害虫,并通过构建图像识别模型来实现流程自动化,为果实蝇检疫和大范围作物群的实时监控等虫害防治工作提供帮助。快速、准确地从图像中识别害虫,是搭建基于机器视觉技术的害虫实时监测系统的重要前提。现有研究多以实蝇翅结构作为分类特征,对实蝇图片质量有很高要求,若图片不够清晰、未准确捕捉到实蝇翅的脉络结构和翅痣,识别的效果会受到较大影响,而实际应用场景中的源图像可能会受光线、拍摄设备等外在因素影响,导致图像清晰度较低,进而影响最终的分类效果。此外,图像识别技术中最为关键的一环在于特征区域分割,现有算法并没有很好地解决从源图像中自动锁定特征区域的问题,而实际应用场景中的源图像可能会受限于拍摄角度、实蝇体态等因素,特征区域分割的准确度无法达到识别算法的要求,分类结果自然也无法达到要求,要实现实现一种适用于机器自动识别的实蝇分类算法,必须设法解决这些干扰因素。为解决上述两个技术难点,本文针对双翅目实蝇属昆虫设计一种提取特征并进行数字化处理的过程,将该过程封装成算法模块,同时结合BP神经网络在识别能力上的优势,构建识别模型。该模型能够对目标图像进行批量识别,同时效率和准确率满足实时要求。本文的研究工作可分为果实蝇的特征分析和图像识别模型构建两部分。（1）通过文献分析和样本观察发现,由于实蝇分类的复杂性,整体几何特征和色彩特征并不能对其完全准确地进行分类,经过数字化处理的局部特征反而具备更优秀的分类特性。本文在常见的数学形态特征基础上,以果实蝇胸背板作为特征局域,提取局部条纹特征作为分类依据,包括中心条纹的长Rx、宽Ry、偏心率E、周长L、面积S、形状参数F、似圆度C共7项数学形态特征。对试验数据进行统计分析,包括特征总体分布型假设检验、方差齐性检验、差异显着性检验。试验结果表明,7项特征总体在同类果实蝇中均服从正态分布,同时,中心条纹长Rx、宽Ry、周长L、面积S这4项特征值在三类果实蝇之间具有差异显着性,中心条纹偏心率E、形状参数F、似圆度C这3项特征值在南瓜实蝇和瓜实蝇之间具有差异显着性。同类稳定特性和类间差异特性使7项数学形态特征能够作为果实蝇分类研究的分类依据,并且具备较高可靠性,为后续建立果实蝇分类模型的研究工作提供了理论基础。（2）本文提出一种基于神经网络学习模型的识别算法。该算法基于Hough变换和HSV色彩空间对果实蝇图像进行特征区域的自动分割,并对特征区域的中心条纹作进一步处理,根据中心条纹形状特征的描述方法,定义实蝇形态的4种特征因子,提取特征向量。将自动提取特征向量的过程封装成功能模块,批量采集样本图像的特征向量作为训练数据集,用数据集对BP神经网络进行分类训练,得到用于实蝇分类的模型参数。试验结果表明,该方法对双翅目实蝇成虫的识别效果具有较好的准确性和实时性,对桔小实蝇、南瓜实蝇和瓜实蝇的识别准确率分别为87.3%,86.5%和87.5%,总体准确率为87.1%,单次识别平均耗时0.8 s;进一步研究的方向为:增加特征向量的维度,提高算法的鲁棒性。
孙柯[10]（2018）在《基于计算机视觉的禽蛋裂纹识别技术研究与应用》文中进行了进一步梳理禽蛋在加工和运输过程中容易因碰撞和挤压而产生裂纹,为了保障禽蛋及其制品的安全性,鲜禽蛋和加工禽蛋制品在进入市场或进一步加工前都需要通过裂纹检测环节剔除有裂纹的禽蛋。声学振动和计算机视觉技术是两种最主要的禽蛋裂纹检测手段,其中基于声学振动的禽蛋裂纹检测方法的研究较为成熟,但由于其设备成本高,国内大多数企业仍然依靠人工检测方法实现裂纹禽蛋的检测。计算机视觉检测方法具有检测速度快、设备成本低的优势,然而由于现有的裂纹禽蛋图像的自动识别方法尚不成熟,导致基于计算机视觉的禽蛋裂纹检测技术处于实验室阶段,适用性和灵敏度更高的裂纹禽蛋图像识别方法和基于计算机视觉的禽蛋在线裂纹检测设备有待进一步研究和开发。为了将计算机视觉技术应用于禽蛋加工过程的在线裂纹检测,本文通过模拟碰撞制作了不同裂纹程度的禽蛋,然后利用自行搭建的禽蛋图像采集设备采集了裂纹禽蛋的图像,并研究了禽蛋图像中裂纹和完好区域的灰度值变化特征。然后根据这些特征建立了基于一种独创的连续波信号提取和判别算法的裂纹鸡蛋和裂纹鸭蛋的识别方法,并进行了验证。最后开发了一台基于计算机视觉的禽蛋在线裂纹检测设备,并验证了其动态检测性能。具体内容和结果如下:（1）对鸡蛋和鸭蛋图像的灰度分布研究表明:鸡蛋和鸭蛋图像灰度值的均一性较差;除了裂纹宽度大于100 μm的褐壳鸡蛋以外,其他鸡蛋和鸭蛋的裂纹区域灰度值未能超过或低于绝大多数的禽蛋区域像素点,难以使用阈值分割算法提取;鸡蛋和鸭蛋图像中裂纹区域的中心线与两侧完好区域有一定的灰度差异,可用来作为裂纹信号提取的依据;鸡蛋图像中的暗斑以及鸭蛋图像中的蛋壳条状纹理和气室膜区域会对裂纹区域的提取造成干扰;后续建立裂纹检测方法时,可根据裂纹与两侧完好区域的局部灰度差异,建立针对性的裂纹信号提取方法提取图像中疑似裂纹区域的信号,再建立裂纹信号判别方法筛选裂纹信号去除干扰区域的影响。（2）提出了一个用于鸡蛋图像中裂纹识别的连续波信号提取和判别算法,该方法首先使用波信号提取和连接算法提取了鸡蛋图像中疑似由裂纹造成的连续波信号,然后计算出连续波信号的可分割区域最大长宽比和灰度变化指数,并用判别域代数界面方程模型对该连续波信号是否由裂纹造成进行判别,最后将含有由裂纹造成的连续波信号的鸡蛋图像识别为裂纹鸡蛋图像。该裂纹鸡蛋图像识别方法对裂纹宽度≤20μm,30～50 μm和≥60μm的鸡蛋的图像识别正确率分别为50.8%,76.3%和98.6%,对完好鸡蛋图像的识别正确率为96%,在Matlab平台下单张鸡蛋图像识别时间为1.65±0.50 s。（3）提出了一个用于鸭蛋图像中裂纹识别的连续波信号提取和判别算法。该方法首先使用波信号提取和连接算法提取鸭蛋图像中疑似由暗裂纹和亮裂纹造成的连续谷波信号和连续峰波信号,然后计算出各连续谷波信号和连续峰波信号的整体侧斜率、中心区域侧斜率和与蛋端的距离,并用判别域代数界面方程模型对该连续波信号是否由裂纹造成进行判别,最后将含有由裂纹造成的连续波信号的鸭蛋图像识别为裂纹鸭蛋图像。该裂纹鸭蛋图像识别方法对裂纹宽度≤20μm,30～50μm和≥60 μm的鸭蛋的图像识别正确率分别为60.0%,74.4%和92.8%,对完好鸭蛋图像的识别正确率为93%,在Matlab平台下单张鸭蛋图像识别时间为0.98±0.06 s。（4）开发了一台基于计算机视觉的禽蛋在线裂纹检测设备。该设备采用了新的禽蛋图像采集触发方法、光源控制方法和适应不同透光性禽蛋的摄像头拍摄参数调整方法实现了鸡蛋和鸭蛋图像的稳定动态连续拍摄,并采用了基于连续波信号提取和判别算法的裂纹鸡蛋和鸭蛋图像识别方法实现了鸡蛋和鸭蛋的在线裂纹的检测。该设备硬件成本约为20000元人民币,检测速度为1枚禽蛋/秒,对裂纹和完好的粉壳鸡蛋检测正确率分别为91%和93%,对裂纹和完好的褐壳鸡蛋检测正确率分别为90%和94%,对裂纹和完好的鸭蛋检测正确率分别为84%和 87%。
二、计算机视觉及模式识别技术在农业领域的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、计算机视觉及模式识别技术在农业领域的应用（论文提纲范文）
（1）机器视觉技术研究进展及展望（论文提纲范文）
| 1 机器视觉发展现状 |
| 1.1 机器视觉发展史 |
| 1.2 国外机器视觉现状 |
| 1.3 国内机器视觉现状 |
| 2 机器视觉组成与关键技术 |
| 2.1 照明系统 |
| 2.2 成像系统 |
| 2.3 视觉信息处理 |
| 2.3.1 图像预处理 |
| 2.3.2 图像定位与分割 |
| 2.3.3 图像特征提取 |
| 2.3.4 模式分类 |
| 2.3.5 图像语义理解 |
| 2.4 机器视觉软件 |
| 3 机器视觉技术应用 |
| 3.1 产品瑕疵检测 |
| 3.2 智能视频监控分析 |
| 3.3 自动驾驶及辅助驾驶 |
| 3.4 医疗影像诊断 |
| 4 面临的挑战问题 |
| 4.1 可靠性与准确性问题 |
| 4.2 图像处理速度问题 |
| 4.3 机器视觉产品通用性问题 |
| 4.4 多传感器融合问题 |
| 5 发展趋势 |
| 5.1 3D工业视觉将成为未来发展趋势 |
| 5.2 嵌入式视觉是未来趋势 |
| 5.3 标准化的解决方案 |
| 5.4 视觉产品智能化 |
| 6 结论 |
（2）计算机视觉技术在食品品质检测中的应用（论文提纲范文）
| 1 计算机视觉技术 |
| 1.1 概述 |
| 1.2 计算机视觉系统的组成 |
| 1.2.1 计算机视觉系统的硬件组成 |
| 1.2.2 计算机视觉系统的软件组成 |
| 1.3 计算机视觉系统的工作原理 |
| 2 计算机视觉技术在食品品质检测中的应用 |
| 2.1 外形尺寸识别 |
| 2.2 颜色检测 |
| 2.3 表面缺陷检测 |
| 2.4 大小、重量检测 |
| 2.5 内部品质检测 |
| 2.6 腐败变质检测 |
| 2.7 新鲜度检测 |
| 2.8 食品中丙烯酰胺检测 |
| 3 展望 |
| 4 总结 |
（3）农业生产中计算机视觉与模式识别技术应用（论文提纲范文）
| 1 计算机视觉概念 |
| 2 计算机视觉与模式识别技术在农业生产上的应用 |
| 2.1 帮助人们进行农用种子的检测和鉴别 |
| 2.2 计算机视觉与模式识别技术在农业生产收获中的应用 |
| 2.3 在喷洒农药和防虫药中的应用 |
| 2.4 可以判断农业产品所需要的营养量,帮助农产品进行生长 |
| 2.5 在农产品分级中的应用 |
| 3 计算机视觉与模式识别技术中所要面对的问题 |
| 4 结语 |
（4）基于机器视觉的黄瓜叶部病害程度检测系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容与结构 |
| 第二章 机器视觉与图像识别技术理论基础 |
| 2.1 传统机器学习 |
| 2.1.1 决策树 |
| 2.1.2 K-近邻分类器 |
| 2.1.3 支持向量机 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络结构 |
| 2.2.2 卷积网络训练方法 |
| 2.2.3 训练优化算法 |
| 2.2.4 防止过拟合技术 |
| 2.3 本章小结 |
| 第三章 材料与数据集制作 |
| 3.1 黄瓜叶部主要病害类型 |
| 3.2 病害分级标准 |
| 3.3 图像采集设备 |
| 3.4 图像采集过程 |
| 3.5 数据集制作 |
| 3.6 本章小结 |
| 第四章 黄瓜叶片病害程度识别方法 |
| 4.1 问题描述 |
| 4.2 卷积模型网络结构 |
| 4.3 实验及分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验环境及配置 |
| 4.3.3 评估标准 |
| 4.3.4 实验结果 |
| 4.3.5 参数讨论 |
| 4.4 卷积可视化 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（5）基于计算机视觉的蚕蛹雌雄自动识别系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 课题的研究现状及发展 |
| 1.2.1 蚕蛹雌雄识别技术的研究现状 |
| 1.2.2 计算机视觉技术在蚕业的研究现状 |
| 1.3 本文的研究内容和章节安排 |
| 2 蚕蛹图像预处理研究 |
| 2.1 彩色图像灰度化 |
| 2.2 图像增强 |
| 2.2.1 图像滤波去噪 |
| 2.2.2 图像的灰度增强 |
| 2.3 图像分割 |
| 2.4 数学形态学图像处理 |
| 2.5 本章小结 |
| 3 蚕蛹图像的特征提取 |
| 3.1 蚕蛹的形状特征提取 |
| 3.1.1 形状特征描述 |
| 3.1.2 实验分析与结果 |
| 3.2 蚕蛹的纹理特征提取 |
| 3.2.1 灰度共生矩阵 |
| 3.2.2 局部二值模式LBP |
| 3.2.3 实验分析与结果 |
| 3.3 本章小结 |
| 4 基于PCA和 SVM的蚕蛹雌雄识别分类 |
| 4.1 基于PCA的蚕蛹特征降维 |
| 4.1.1 维度灾难 |
| 4.1.2 主成分分析法 |
| 4.1.3 实验分析与结果 |
| 4.2 基于SVM的分类器设计 |
| 4.2.1 支持向量机 |
| 4.2.2 SVM分类器的训练与测试 |
| 4.3 本章小结 |
| 5 控制系统的研究设计 |
| 5.1 系统的总体方案设计 |
| 5.1.1 PLC控制系统的整体框架 |
| 5.1.2 控制系统的硬件选型 |
| 5.1.3 控制器的I/O分配 |
| 5.2 图像采集与识别的方案设计 |
| 5.2.1 系统的控制设计 |
| 5.2.2 Matlab与 PLC通讯设计 |
| 5.3 HMI监控系统的方案设计 |
| 5.4 本章小结 |
| 6 总结和展望 |
| 6.1 本文研究总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 蚕蛹的形状特征数据 |
| 附录 B 分割后的蚕蛹头部、尾部尺寸 |
| 附录 C 基于灰度共生矩阵的纹理特征数据 |
| 附录 D 攻读硕士学位期间的科研成果 |
（6）自然光照下基于超像素的识别和计数系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 视觉识别和计数系统在农业应用领域的研究现状 |
| 1.2.1 基于种子识别和计数的国内外研究现状 |
| 1.2.2 基于害虫识别和计数的国内外研究现状 |
| 1.2.3 果蔬识别和计数的国内外研究现状 |
| 1.3 农业智能识别领域的光照问题研究现状 |
| 1.3.1 农田害虫识别的光照问题研究现状 |
| 1.3.2 果蔬识别的光照问题研究现状 |
| 1.4 课题研究内容与技术路线 |
| 1.5 文章结构与思路 |
| 2 基于机器视觉的光照问题分析 |
| 2.1 室外光照特点 |
| 2.1.1 太阳光 |
| 2.1.2 天空光 |
| 2.2 图像形成过程 |
| 2.3 光照问题的解决思路 |
| 2.3.1 解决光照问题的方法分类 |
| 2.3.2 针对农业领域光照问题的解决思路 |
| 2.4 本章小结 |
| 3 图像超像素生成算法 |
| 3.1 超像素算法的提出 |
| 3.2 超像素分割的评价标准 |
| 3.2.1 整体分割性能 |
| 3.2.2 分割效率 |
| 3.2.3 分割质量的定性评价标准 |
| 3.2.4 分割质量的定量评价标准 |
| 3.3 改进的基于CAUCHY-SCHWARZ不等式的FSLIC超像素算法 |
| 3.3.1 FSLIC超像素的生成 |
| 3.3.2 算法分割试验和分析 |
| 3.4 改进的基于HNE边缘项的FDSE算法 |
| 3.4.1 FDSE超像素的生成 |
| 3.4.2 算法分割试验和分析 |
| 3.5 本章小结 |
| 4 基于FDSE超像素的阴影检测与去除研究 |
| 4.1 UCM概述 |
| 4.2 基于亲和度矩阵的UCM阴影检测算法 |
| 4.3 基于重新点亮的阴影去除算法 |
| 4.4 经典的阴影检测与去除算法 |
| 4.5 结果与分析 |
| 4.5.1 算法的评价指标 |
| 4.5.2 阴影检测的结果分析 |
| 4.5.3 阴影去除和算法分割的结果分析 |
| 4.6 本章小结 |
| 5 基于FDSE超像素的识别和计数系统 |
| 5.1 图像采集和图像预处理 |
| 5.2 图像特征提取 |
| 5.3 基于支持向量机的模型建立 |
| 5.4 识别计数系统人机交互界面 |
| 5.5 基于支持向量机的分类结果和分析 |
| 5.5.1 系统性能评价指标 |
| 5.5.2 基于超像素和基于逐像素的SVM识别结果比较分析 |
| 5.5.3 基于不同龄期的害虫SVM识别结果比较分析 |
| 5.5.4 基于重叠粘连的害虫SVM识别结果分析 |
| 5.5.5 基于不同自然光照条件下的SVM识别结果分析 |
| 5.5.6 基于机器学习的识别和计数系统讨论 |
| 5.6 本章小结 |
| 6 研究结论与建议 |
| 6.1 研究结论 |
| 6.2 主要创新内容 |
| 6.3 后续研究建议 |
| 参考文献 |
| 攻读博士学位期间的科研成果 |
| 致谢 |
（7）基于图像识别的烟草夜蛾科主要害虫分类研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究对象与技术路线 |
| 1.3.1 棉铃虫和烟青虫 |
| 1.3.2 技术路线 |
| 1.4 论文主要研究内容 |
| 1.5 本章小结 |
| 2 烟草害虫图像的采集与处理 |
| 2.1 样本培育及图像采集 |
| 2.1.1 饲养材料及工具 |
| 2.1.2 成虫图像的采集 |
| 2.1.3 蛹期图像的采集 |
| 2.2 图像增强及结果分析 |
| 2.2.1 直方图均衡化 |
| 2.2.2 均值滤波 |
| 2.2.3 中值滤波 |
| 2.3 三种图像增强方法分析 |
| 2.4 本章小结 |
| 3 烟草害虫的图像分割 |
| 3.1 图像分割与颜色空间 |
| 3.1.1 图像分割的定义 |
| 3.1.2 RGB颜色空间 |
| 3.1.3 RGB与 HSI颜色空间变换 |
| 3.2 烟草害虫图像分割的方法 |
| 3.2.1 最大类间差法 |
| 3.2.2 区域生长法 |
| 3.2.3 直方图阈值分割法 |
| 3.2.4 三种图像分割方法分析 |
| 3.3 去噪声和孔洞填充 |
| 3.4 本章小结 |
| 4 烟草害虫图像的特征提取 |
| 4.1 成虫图像的颜色和形态特征提取 |
| 4.1.1 基于颜色矩的颜色特征提取 |
| 4.1.2 基于七阶不变矩的形态特征提取 |
| 4.2 成虫和蛹期图像的纹理特征提取 |
| 4.2.1 基于灰度共生矩阵的纹理特征 |
| 4.2.2 基于差分统计矩阵的纹理特征 |
| 4.3 特征提取结果及归一化 |
| 4.4 本章小结 |
| 5 烟草害虫图像特征优化和识别分类 |
| 5.1 模拟退火算法 |
| 5.1.1 算法原理 |
| 5.1.2 模拟退火算法实现步骤 |
| 5.1.3 算法实现参数分析 |
| 5.2 支持向量机分类研究 |
| 5.2.1 模式识别分类方法 |
| 5.2.2 SVM理论基础 |
| 5.2.3 基于K-CV的 SVM参数寻优 |
| 5.3 成虫和蛹期的判别结果及分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 有待进一步研究的问题 |
| 参考文献 |
| 攻读学位期间参加的科研项目及取得的成果 |
| 致谢 |
（8）基于计算机视觉技术的马铃薯病害识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 研究目标与内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 本文的结构安排 |
| 第二章 文献综述 |
| 2.1 国外研究进展 |
| 2.2 国内研究进展 |
| 2.3 存在的主要问题 |
| 第三章 马铃薯病害图像采集和预处理 |
| 3.1 马铃薯病害图像采集 |
| 3.1.1 采集对象介绍 |
| 3.1.2 图像采集 |
| 3.2 试验环境说明 |
| 3.3 马铃薯病害图像预处理 |
| 3.3.1 图像裁剪 |
| 3.3.2 调整图像分辨率 |
| 3.3.3 图像灰度化 |
| 3.3.4 图像滤波 |
| 第四章 马铃薯病害图像病斑分割 |
| 4.1 图像分割算法 |
| 4.2 OTSU-SFLA算法的提出 |
| 4.3 OTSU算法 |
| 4.3.1 OTSU算法的基本思想 |
| 4.3.2 OTSU算法的基本原理 |
| 4.4 SFLA算法 |
| 4.4.1 SFLA算法的基本思想 |
| 4.4.2 SFLA算法的基本原理 |
| 4.5 OTSU-SFLA算法实现马铃薯病害图像分割 |
| 4.5.1 马铃薯病害图像灰度化 |
| 4.5.2 马铃薯病害图像中值滤波 |
| 4.5.3 计算马铃薯病害图像的直方图 |
| 4.5.4 马铃薯病害图像OTSU算法基础分割 |
| 4.5.5 马铃薯病害图像OTSU-SFLA算法实现分割优化 |
| 第五章 马铃薯病害图像特征提取与病害识别 |
| 5.1 病害图像特征提取技术 |
| 5.2 病害图像识别技术 |
| 5.3 卷积神经网络 |
| 5.3.1 人工神经网络 |
| 5.3.2 卷积神经网络 |
| 5.4 基于卷积神经网络的马铃薯病害图像特征提取和病害识别 |
| 5.4.1 设计马铃薯病害图像特征提取和病害识别的结构 |
| 5.4.2 设计马铃薯病害图像特征提取和病害识别的各层功能 |
| 5.4.3 马铃薯病害图像特征提取和病害识别的激活函数 |
| 5.4.4 实现马铃薯病害图像特征提取和病害识别的框架 |
| 第六章 系统及模型训练和识别的可靠性测试 |
| 6.1 系统及模型训练 |
| 6.1.1 马铃薯病害图像样本的来源和选取 |
| 6.1.2 马铃薯图像病斑分割之后图像彩色化还原 |
| 6.1.3 系统及模型的训练 |
| 6.2 马铃薯病害识别的可靠性测试 |
| 第七章 结论与讨论 |
| 7.1 结论 |
| 7.2 讨论 |
| 7.2.1 创新点 |
| 7.2.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
| 导师简介 |
（9）基于神经网络的实蝇成虫图像识别算法（论文提纲范文）
| 摘要 |
| abstract |
| 1 前言 |
| 1.1 课题的研究背景与意义 |
| 1.2 课题的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的主要研究内容 |
| 1.3.1 特征区域的选取 |
| 1.3.2 特征区域的自动锁定 |
| 1.3.3 识别模型的批量处理 |
| 1.4 本章小结 |
| 2 果实蝇的特征分析 |
| 2.1 生物形态特征与数学形态特征 |
| 2.2 样本库制备 |
| 2.2.1 实蝇样本库制备 |
| 2.2.2 生物形态特征分析 |
| 2.3 果实蝇的数学形态特征分析 |
| 2.3.1 果实蝇特征的选取 |
| 2.3.2 果实蝇特征的数学定义 |
| 2.4 果实蝇图像的特征提取方法 |
| 2.4.1 高斯滤波 |
| 2.4.2 自适应边缘检测 |
| 2.4.3 特征区域分割 |
| 2.4.4 特征区域分割的试验结果与分析 |
| 2.4.5 数学形态特征提取 |
| 2.5 本章小结 |
| 3 特征工程 |
| 3.1 特征工程规划 |
| 3.1.1 数据预处理 |
| 3.1.2 特征选择 |
| 3.1.3 特征降维 |
| 3.2 数据预处理方法 |
| 3.3 果实蝇数学形态特征值提取及预处理 |
| 3.4 特征选取方法 |
| 3.4.1 分布型检验方法 |
| 3.4.2 方差齐性检验方法 |
| 3.4.3 显着性差异检验方法 |
| 3.5 果实蝇数学形态特征选取 |
| 3.5.1 总体分布假设检验 |
| 3.5.2 方差齐性检验 |
| 3.5.3 显着性差异检验 |
| 3.5.4 试验结论分析 |
| 3.6 本章小结 |
| 4 分类算法设计 |
| 4.1 BP神经网络算法技术概要 |
| 4.1.1 工作信号的正向传递 |
| 4.1.2 误差信号的反向传递 |
| 4.1.3 神经网络初始化 |
| 4.2 神经网络算法的纵向对比 |
| 4.2.1 SVM算法技术概要 |
| 4.2.2 横向对比总结 |
| 4.3 神经网络算法的横向对比 |
| 4.3.1 BP神经网络算法的局限性 |
| 4.3.2 CNN神经网络算法技术概要 |
| 4.3.3 纵向对比总结 |
| 4.4 本章小结 |
| 5 图像识别模型的构建流程 |
| 5.1 功能模块设计 |
| 5.1.1 需求概述 |
| 5.1.2 软件结构 |
| 5.2 分类试验结果与分析 |
| 5.2.1 特征区域分割试验结果与分析 |
| 5.2.2 特征因子数值分析 |
| 5.2.3 神经网络分类试验结果与分析 |
| 5.3 本章小结 |
| 6 图像识别模型的性能评估 |
| 6.1 性能评估指标 |
| 6.1.1 基本定义 |
| 6.1.2 实例 |
| 6.2 性能评估可视化方法 |
| 6.2.1 混淆矩阵 |
| 6.2.2 P-R空间 |
| 6.3 性能评估试验分析 |
| 6.3.1 交叉验证法 |
| 6.3.2 试验结果分析 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（10）基于计算机视觉的禽蛋裂纹识别技术研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 禽蛋产业发展现状 |
| 1.2 禽蛋蛋壳裂纹 |
| 1.3 禽蛋裂纹的检测 |
| 1.3.1 包装鲜禽蛋生产中的裂纹检测 |
| 1.3.2 再制蛋生产中的裂纹检测 |
| 1.4 禽蛋裂纹的自动检测方法 |
| 1.5 振动声学和计算机视觉检测常用数据处理和模式识别方法 |
| 1.5.1 振动声学检测中常用的数据处理方法 |
| 1.5.2 计算机视觉检测中常用的数据处理方法 |
| 1.5.3 常用模式识别方法 |
| 1.6 禽蛋裂纹自动检测方法研究进展 |
| 1.6.1 基于振动特性的检测方法 |
| 1.6.2 基于计算机视觉的检测方法 |
| 1.6.3 基于多传感器融合的检测方法 |
| 1.7 裂纹禽蛋检测技术存在的问题 |
| 1.8 本研究的目的和意义 |
| 1.9 主要研究内容 |
| 1.10 技术路线 |
| 参考文献 |
| 第二章 禽蛋图像采集设备搭建及裂纹禽蛋图像灰度分布研究 |
| 2.1 试验材料和设备搭建 |
| 2.1.1 禽蛋样本 |
| 2.1.2 禽蛋图像采集设备 |
| 2.1.3 禽蛋模拟碰撞装置 |
| 2.2 试验方法 |
| 2.2.1 禽蛋模拟碰撞 |
| 2.2.2 禽蛋裂纹宽度测量 |
| 2.2.3 禽蛋图像采集 |
| 2.2.4 禽蛋图像预处理方法 |
| 2.2.5 禽蛋图像中灰度分布参数提取 |
| 2.2.6 数据处理 |
| 2.3 结果与分析 |
| 2.3.1 禽蛋图像预处理效果 |
| 2.3.2 不同禽蛋图像平均灰度值差异 |
| 2.3.3 单个禽蛋图像中灰度值的分布 |
| 2.3.4 裂纹禽蛋样本的裂纹宽度分布 |
| 2.3.5 裂纹和干扰区域的中心平均灰度值 |
| 2.3.6 裂纹和干扰区域的高灰度比例 |
| 2.3.7 裂纹和干扰区域的灰度值落差 |
| 2.4 讨论 |
| 2.5 本章小结 |
| 参考文献 |
| 第三章 基于连续波信号提取和判别算法的裂纹鸡蛋图像识别方法研究 |
| 3.1 材料和设备 |
| 3.1.1 鸡蛋样本 |
| 3.1.2 禽蛋图像采集设备 |
| 3.1.3 禽蛋模拟碰撞装置 |
| 3.2 试验方法 |
| 3.2.1 模拟碰撞 |
| 3.2.2 鸡蛋裂纹宽度测量 |
| 3.2.3 鸡蛋图像采集 |
| 3.2.4 用于鸡蛋图像中裂纹识别的连续波信号提取和判别算法 |
| 3.2.5 单张鸡蛋图像识别速度测试 |
| 3.3 结果与分析 |
| 3.3.1 鸡蛋样本裂纹宽度 |
| 3.3.2 鸡蛋图像中的连续波信号判别模型建立 |
| 3.3.3 裂纹鸡蛋图像的识别正确率 |
| 3.3.4 裂纹鸡蛋图像识别算法运行时间 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 参考文献 |
| 第四章 基于连续波信号提取和判别算法的裂纹鸭蛋图像识别方法研究 |
| 4.1 材料和设备 |
| 4.1.1 鸭蛋样本 |
| 4.1.2 禽蛋图像采集设备 |
| 4.1.3 禽蛋模拟碰撞装置 |
| 4.2 试验方法 |
| 4.2.1 模拟碰撞 |
| 4.2.2 鸭蛋裂纹宽度测量 |
| 4.2.3 鸭蛋图像采集 |
| 4.2.4 用于鸭蛋图像中裂纹识别的连续波信号提取和判别算法 |
| 4.2.5 单张鸭蛋图像识别速度测试 |
| 4.3 结果与分析 |
| 4.3.1 鸭蛋样本裂纹宽度 |
| 4.3.2 鸭蛋图像中提取的连续波信号 |
| 4.3.3 气室膜造成的连续波信号的排除 |
| 4.3.4 蛋壳纹理造成的连续波信号的排除 |
| 4.3.5 鸭蛋图像中的连续波信号判别模型的建立 |
| 4.3.6 裂纹鸭蛋图像的识别正确率 |
| 4.3.7 裂纹鸭蛋图像识别算法的运行时间 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 参考文献 |
| 第五章 基于计算机视觉的禽蛋在线裂纹检测设备开发 |
| 5.1 硬件系统搭建 |
| 5.1.1 禽蛋输送装置 |
| 5.1.2 图像采集装置 |
| 5.2 软件系统开发 |
| 5.2.1 软件界面与功能 |
| 5.2.2 软件运行流程 |
| 5.3 设备操作流程 |
| 5.4 设备硬件成本 |
| 5.5 设备验证 |
| 5.5.1 禽蛋样本 |
| 5.5.2 裂纹禽蛋样本制作 |
| 5.5.3 验证结果 |
| 5.6 讨论 |
| 5.7 本章小结 |
| 参考文献 |
| 全文结论 |
| 展望 |
| 论文创新点 |
| 致谢 |
| 攻读学位期间取得的成果目录 |
| 附录 |
四、计算机视觉及模式识别技术在农业领域的应用（论文参考文献）
- [1]机器视觉技术研究进展及展望[J]. 朱云,凌志刚,张雨强. 图学学报, 2020(06)
- [2]计算机视觉技术在食品品质检测中的应用[J]. 柳琦,涂郑禹,陈超,吴鹏. 食品研究与开发, 2020(16)
- [3]农业生产中计算机视觉与模式识别技术应用[J]. 何芳. 农村经济与科技, 2020(04)
- [4]基于机器视觉的黄瓜叶部病害程度检测系统研究[D]. 刘宝洋. 西京学院, 2020(04)
- [5]基于计算机视觉的蚕蛹雌雄自动识别系统的研究[D]. 熊浩. 南京理工大学, 2019(06)
- [6]自然光照下基于超像素的识别和计数系统研究[D]. 徐伟悦. 南京农业大学, 2019(08)
- [7]基于图像识别的烟草夜蛾科主要害虫分类研究[D]. 刘迦南. 华北水利水电大学, 2019(01)
- [8]基于计算机视觉技术的马铃薯病害识别研究[D]. 张明. 甘肃农业大学, 2018(02)
- [9]基于神经网络的实蝇成虫图像识别算法[D]. 邓忠易. 华南农业大学, 2018(08)
- [10]基于计算机视觉的禽蛋裂纹识别技术研究与应用[D]. 孙柯. 南京农业大学, 2018(07)