一、类圆形物体的特征描述（论文文献综述）
宋明睿[1]（2021）在《基于图像识别的中空纤维膜组件完整性检测系统》文中认为中空纤维柱式膜组件是含有数千根中空纤维膜丝的滤水组件,在生活、生产中有着重要的作用。国家标准GB/T36137-2018对中空纤维膜完整性的检测方法做了定性要求,对组件内充入指定气压的气体,通过人眼观察组件端面是否产生气泡来判断组件是否完整。在实际生产中,当漏点的面积是柱式膜端面面积的1‰～5‰时需要对其进行修补,否则会影响产水的水质。本文设计一种基于图像识别的中空纤维膜组件完整性检测系统。检测系统由OV5647摄像头每秒一帧的速度采集3-5min完整性检测实验中组件端面的图像,再检测当前采集到的图像中是否存在气泡,若存在则确定气泡轮廓范围及中心点坐标。该系统的图像检测目标为组件外壳、膜丝和组件不完整时出现在端面的气泡,由于组件外壳和膜丝都为圆形,且轮廓明显,与背景相差较大,采用霍夫圆变换算法对它们进行检测;首先需要进行图像预处理,预处理中通过暗通道去雾处理、图像灰度化、幂律变换、中值滤波等算法去除图像的噪声,提高目标的轮廓特性,再对图像进行边缘提取,用到的算法有基于Sobel算子的梯度增强、Canny算子边缘检测,最终利用霍夫圆变换算法检测出组件外壳及膜丝的圆心及半径值,整个过程利用OpenCV框架实现。气泡为透明物体,边缘特性较难捕捉,深度学习目标检测中运用YOLOv3网络结构提取出气泡的特征层,训练出可以识别气泡轮廓的模型,从而可以在不断采集到的实验图像中和不同组件端面的场景下准确识别出气泡。通过改变端面上气泡数量的方式采集多组测试图片,最终测试结果显示中空纤维膜组件完整性判断、气泡识别及膜丝计数统计的相对误差保持在2%以下。本文设计的完整性检测系统通过准确快速的识别图像信息,对不完整的组件进行量化,从而为后续的膜丝修补工序提供了自动化的技术支持。
靳一丹[2]（2021）在《基于机器视觉的模拟仪表自动识别与监控方法研究》文中指出随着工业现代化时代的到来,尽管出现了读数更直观的数显式仪表,但是模拟仪表相对数显式仪表结构简单,价格低廉,并且能通过指示物体的变化情况直接的看到被测物体的变化情况,因此模拟仪表依旧在工业测量中占据着重要的地位。目前在工业中模拟仪表的数据采集大多由人工读取,成本高,实时性差,且易受人的主观因素影响使得模拟仪表的读数不准确,从而影响工作效率,同时一些危险的工作环境会对人体造成严重的危害,不适合人类长期工作。因此,选用机器视觉代替人类视觉实现模拟仪表的自动识别与监控具有重大的现实意义。本文针对工业中常用的两种模拟仪表指针式仪表跟浮子流量计,研究了一种基于机器视觉技术的模拟仪表自动识别与监控方法。该方法可以适应上述两种模拟仪表数据采集过程中可能遇见的背景复杂、光照不均匀、过曝光、欠曝光、量程不同、仪表倾斜、尺度变化等情况,满足浮子流量计的实时监控与指针式仪表自动读数的要求。本文的主要研究内容如下:（1）为了适应复杂的背景环境、过曝光、欠曝光等情况,本文首先研究了图像亮度调整算法将图像亮度调整到适当的范围内,然后将深度学习SSD算法应用在指针式仪表跟浮子流量计的分类与定位任务中,并根据分类结果采用不同的算法。（2）针对指针式仪表,在使用深度学习算法SSD提取到仪表后,将传统图像处理算法与卷积神经网络相结合,并选用角度法进行指针式仪表的自动读数。整个过程解决了系统对光照敏感,背景复杂,且无法自动提取仪表量程等问题。实验验证了该方法有较高的准确度。（3）本文针对浮子流量计研究了一种自动监控方法。该方法结合颜色空间转换,图像色彩增强等来寻找工作范围,并使用一种多模板多尺度的模板匹配对漏检的浮子进行检测。实验验证了该方法计算速度快,精度高,实现了仪表的自动监控。
邓镇明[3]（2020）在《变电站智能运检监控系统及其图像识别技术的研究》文中认为随着国民经济和电网的飞速发展,变电站数量快速增加,但变电站的运维方式仍以人工运维为主:倒闸操作需要现场确认设备位置,浪费大量人力,无法完全达到一键顺控操作;设备的监控靠人工巡视,无法及时发现设备的缺陷,威胁变电站的安全运行。随着变电站的增加,运行人员的运维压力倍增,传统的变电站运维方式难以满足电网发展的要求,迫切需要探索新型变电运维模式。为了提高变电站的运维效率,保障变电站的安全运行,本文围绕变电站智能运检监控系统及其图像识别技术开展研究,主要研究工作包括:（1）研究了传统运维的现状和存在的问题,对变电站智能监控系统的功能需求和建设需求进行分析,从业务需求、技术、经济三个方面验证建立变电站智能运检监控系统的可行性。（2）研究了图像识别技术和变电站开关设备状态的智能识别。首先,通过视频监控系统和巡检机器人搭载的高清摄像机采集开关设备翻字牌的图像;其次,通过图像的灰度化、灰度增强、滤波、霍夫圆变换等处理,实现开关设备翻字牌字符区域的粗定位;再次,通过图像的二值化、形态学运算、基于连通域的目标分割等处理,实现开关设备翻字牌字符区域的精确定位;最后,运用SURF特征匹配算法和K-NN算法实现开关特征数的提取和匹配,从而识别开关设备的状态。（3）设计了系统的总体架构,进行软硬件配置。建立站端、远端两级平台,站端系统整合了变电站内视频监控、巡检机器人、在线热成像监测等系统,打造一体化平台,实现了站内设备的统一管理、统一监控,以提高变电站智能化水平。（4）分析了变电站智能运检监控系统在试点变电站的应用效果,测试了智能监控、一键顺控、红外测温、机器人巡视功能,计算预期经济效益。系统能降低人工巡视和操作的工时,预期直接经济收益23.4万元。
景晓梅[4]（2020）在《自然环境下苹果目标的识别算法研究》文中提出随着城镇化的快速发展,农村劳动力日渐短缺,人工成本也随之增加,现有的苹果生产模式已不能匹配日益扩大的苹果生产规模,因此,将自动采摘机器人引入果园替代人工作业成为现代苹果产业智能化发展的必然趋势。本文以树上成熟苹果为对象,研究了自然环境下苹果目标的识别算法,以提高自动采摘机器人果实采摘作业的精准率,为其实际应用提供方法参考。首先,研究了三种不同的图像平滑算法,通过分析其各自的滤波特点,选择效果最好的5×5方形中值滤波器对图像进行降噪处理,以减少噪声对后续分割的影响。其次,对基于阈值、基于边缘检测和基于特征聚类的三类图像分割算法进行了研究,对比其各自的分割效果,选择最适合本文的K-means聚类算法对苹果目标进行分割处理;然后,针对传统K-means算法随机选取初始聚类中心的缺陷,本文引入了一种结合关系对称矩阵和度中心性的改进K-means算法,最终提高了目标分割的重合度,降低了分割误差。接着,研究了苹果目标的轮廓提取方法,对于无遮挡的单果目标,先利用Canny边缘检测算子提取出目标边缘,然后采用三次样条插值算法对提取的边缘点进行插值运算,获取光滑的果实目标轮廓;对于被遮挡的单果目标,在检测出边缘后利用卷包裹凸包算法去除伪边缘,再对缺失的边缘点进行插值得到完整光滑的目标轮廓。最后,对自然环境下三种情形的苹果目标识别进行了测试实验。实验结果表明,本文算法可以准确地对无遮挡和有遮挡两种情形的单果目标进行识别,平均识别重合度分别为97.41%和94.84%,平均识别误差分别为1.80%和4.07%,平均识别时间分别为12.56s和15.39s;同时也能较为准确地识别出重叠影响下的双果目标,其平均识别重合度为91.47%,平均识别误差为7.02%,平均识别时间为21.54s。研究结果对苹果自动采摘机器人的实际应用具有一定的参考价值。
李超[5]（2019）在《基于深度检测和分割网络的乳腺癌图像分析》文中进行了进一步梳理乳腺癌是女性发病率最高的癌症,对女性健康造成了巨大威胁。钼靶影像是乳腺癌筛查中最常用的影像方法,具有方便、快速的优点;而病理图像是乳腺癌确诊和分级的最可靠方法,具有准确度高的特点。当前乳腺癌影像的诊断主要由医生人工进行,受医生个人经验、工作状态以及主观判断等因素的影响,乳腺癌诊断的效率和精度仍然有待提升。随着人工智能、医学影像处理技术的不断进步,乳腺癌的计算机辅助诊断系统成为了研究的热点。组织病理切片中,有丝分裂细胞数目是乳腺癌诊断的重要指标;钼靶图像中,肿块是乳腺癌的常见表现形式。当前这两个问题的计算机自动诊断方法仍存在诸多不足。为了满足实际应用,需要诊断算法在精度和速度上都达到更高水平。因此,本文针对病理图像有丝分裂细胞检测以及钼靶图像肿块诊断问题,结合深度学习的图像分析理解技术,在以下四个方面展开研究:（1）提出了一种基于深度神经网络的特征描述子。该神经网络特征取自全卷积网络的中间层输出,兼具良好的全局语义信息和局部细节信息;此外,特征保留了图像的空间结构,因此可高效提取区域特征,非常适合于物体检测任务。本文将神经网络特征与传统AdaBoost分类器相结合,并通过特征近似的方法构建了多尺度图像特征金字塔,实现了准确高效的多尺度物体检测。通过在特定数据集上进行网络训练,神经网络特征可以自动学习到该数据集的特征分布。因此,与手工特征相比,所提出的神经网络特征无需背景知识,可应用于不同数据、不同任务,具有很好的普适性。该方法在自然图像和医学图像上均得到了验证。在Caltech行人检测数据集上,该方法获得了当时顶尖性能;在2012 MITOSIS分裂细胞检测数据上,方法同样取得了较高的检测性能,证明神经网络特征可以很好地描述乳腺分裂细胞的特征。（2）提出了一个将候选区域提取网络和候选区域分类网络进行联合优化的分裂细胞检测网络,实现了网络的全局优化以及细胞的端到端的检测。两个子网络之间共享卷积特征,可以学习到最优特征表示。在每个子网络内同时完成分类和回归任务,通过多任务学习,两个任务互相促进,共同对网络参数进行优化。针对细胞尺度和形态的变化,本文设计了合适的网络参考框和图像尺度。通过迁移学习和合理的数据扩增,实现了在小规模数据上的深度网络学习。本文设计了一个结合深度检测网络、分割网络、验证网络的细胞检测系统。基于知识迁移,该系统使用强监督数据学习到的分割模型对弱标注数据的检测模型提供监督,将前者的知识和能力迁移到后者上。在检测网络的结果上,本文训练一个验证网络,为整个系统引入了难例挖掘机制,提升了对易混淆细胞的判别能力,减少了误检。在2012 MITOSIS数据集上,该算法的检测性能（F1值）比之前最好的方法提高近1%,比之前最好的深度学习方法高4.4%。在弱监督数据集2014 MITOSIS上,该算法和最好方法仅有0.5%的检测性能差距。此外,本算法对一幅图像的检测速度为0.4秒-0.7秒,具有很高效率。（3）为了提升弱监督分裂细胞数据集上的检测性能,本文提出一种基于同心圆损失函数的深度分割网络训练方法,并基于分割网络的预测图检测分裂细胞。同心圆损失函数的设计依据细胞及标注的特点,小圆内表示正样本像素;环状区域表示未知类别像素,指不确定的样本,不计算损失值。通过在弱标注数据上挖掘尽可能多的正样本像素,该损失函数可在弱标注数据上训练准确的语义分割模型。分割模型的预测图通过高斯滤波以及自适应二值化分割处理生成候选连通域。本文对候选连通域定义了平均分割得分和面积两个特征,根据特征准确快速地对分裂细胞进行筛选。该算法在多个弱监督分裂细胞检测数据集上均取得了最高性能,在2014MITOSIS/AMIDA13/TUPAC16三种数据集上,该算法的检测性能F1比之前最好的方法分别提高8%、6%、1.7%。在强标注的2012 MITOSIS数据上,方法也达到了一流的检测水平。同心圆损失函数具有较强的泛化能力,其在肿块分割任务上也取得了与强标注结果相近的性能。（4）提出了一种对乳腺钼靶全图进行肿块分割、检测以及图像恶性诊断的方法。当前肿块分割研究普遍在人工挑选的肿块区域内进行,需事先完成肿块定位,工作量大,临床价值不高。本文基于深度分割网络,直接对全图进行恶性肿块分割,无须事先检测肿块区域。通过在网络中更好地利用上下文信息,得到了更准确的肿块分割结果。通过对分割连通域计算恶性程度,实现了肿块检测。结合肿块分割和检测结果,基于多示例学习最大值池化和特征融合的平均池化,本文设计了多种全图肿瘤良恶性表达,从而实现了图像恶性诊断。本文通过最大池化以及平均池化等方式对同一侧乳房的多个视角图像进行融合,显着提升了全图诊断结果。此外,本文通过引入良性肿块类别,提高了模型对肿块良恶性的分辨能力,减少了由良性肿块造成的误检。本算法在标准数据集CBIS-DDSM上同时完成了肿块分割、检测和全图诊断三个任务,并且均取得了优异性能,构成了一套完整的基于肿块的乳腺癌自动诊断系统。
于春伟[6]（2019）在《排泄辅助机器人人机协作控制系统研究》文中提出在老龄人口增多、社会资源短缺和人工智能养老背景下,为了减轻护理老年人及残障人士如厕负担,提高护理人员工作效率,研制帮助护理人员减轻如厕护理负担的协作机器人,对提高老年人及残障人士生活质量和社会资源利用率具有重要意义。本文首先对人机协作过程进行建模分析。基于对合适的位置、快速安全性的考虑研究人机协作系统。首先以课题组自主研发的排泄支援机器人为基础搭建实验所用的软硬件平台。机器人采用具有全方向运动功能的全向轮结构,可在狭小空间内灵活运动,并在机器人前方安装两台单线激光雷达感知人与机器人的相对位置。下方激光雷达通过物体分割及类圆检测技术获得人腿位置后,提出了双人协作时腿部站位的模式分析方法,并结合上方激光雷达的检测信息可较为准确检测到使用者与机器人相对位置信息;分析了在人机协作与正常下坐两种情况下,人体下坐过程的运动特点,提出了更符合实际情况的改进人体二连杆模型,并利用人体下坐模型与机器人物理尺寸,建立人体位置与坐点的映射表;采用强化学习思想,根据机器人运动情况,利用模糊推理融合主客观因素给出强化学习所需的奖励,制定了合适坐点位置的寻找策略,从而对映射表对应关系进行自学习调整。机器人获得目标点后,通过建立使用者在移乘过程中的足部轨迹运动学模型来预测足部的运动轨迹,提高机器人的响应速度。针对机器人在运动时的路径规划问题,将运动规划分为粗规划与细调整:粗规划指当机器人所处位置超出人体下坐模型的坐点位置时分析站位关系,采用建立虚拟目标点并利用人工势场路径规划手段进行路径规划;细调整指通过人体下坐模型所计算出的坐点位置对机器人进行小幅度调整。针对安全性,提出了考虑机器人及障碍物运动速度的可变安全距离计算方法,保证机器人在人机协作时的安全性。本文各章节的数据处理、模型建立及仿真均在Matlab2017环境下进行。以C++为编程语言,vs2013为软件平台控制机器人运行。实验结果表明,机器人可以较好的检测到人的位置信息并在安全快速的前提下运动到合适的位置,进而验证了本文所提出模型、策略的合理性与可行性。
吕少中[7]（2019）在《基于机器视觉的荞麦剥壳性能参数在线检测方法研究》文中研究指明荞麦的粒径、含水率、品种等因素变化后,砂盘式荞麦剥壳机所需的最佳剥壳间隙和转速等参数都会有所不同。剥壳机出料口荞麦剥出物中未剥壳荞麦、完整荞麦米、碎荞麦米的相对含量反映了剥壳机的剥壳性能,生产中需要根据这些性能参数来调整砂盘间隙和转速以达到较高的剥壳效率。针对目前荞麦剥壳性能参数的检测完全由人工方式实现,主观性强、工作强度大、不能为荞麦剥壳机自适应最优控制提供数据反馈的现状,本文提出了一种基于机器视觉的荞麦剥壳性能参数在线检测方法。1.设计了一种对荞麦剥壳机组现有机械结构和剥壳流程扰动小且经济性较好的荞麦剥出物图像获取方式。出料口落下的部分荞麦剥出物沿一块籽粒滑动托板自然滑落,经LED光源强化照明后使用工业相机以300微秒快门时间对其进行图像采集。图像中荞麦籽粒数目平均为900粒左右,清晰无拖影且无堆积。2.在荞麦剥出物图像的预处理中,使用带二阶拉普拉斯修正项的边缘自适应插值算法进行插值重建,减弱了荞麦籽粒边缘处的拉链效应。使用空间域滤波算法对噪声进行了滤除,减弱了由噪声导致的伪彩色现象。使用直方图拉伸方法进行增强处理,使籽粒与背景在边缘处对比更明显,粘连籽粒中间的背景区域更加突出。3.提出了一种在蓝色背景下对荞麦剥出物图像进行N×（B-R）灰度化的方法。这种方法可使图像的灰度分布满足阈值背景分割的需求,同时在不损失粒型较小的碎荞麦米的情况下,产生对粘连分割有利的籽粒外形变化。4.提出了一种类圆形农作物籽粒的粘连分割方法。在籽粒的距离骨架图像上进行区域极大值滤波以提取供分水岭分割使用的种子点,然后使用分水岭分割算法对种子点标记后的籽粒距离图像进行分割。该方法在试验中的粘连籽粒平均正确分割率为97.8%。5.提出了一种荞麦籽粒交互式快速标注方法并进行了软件实现,使用这种方法可对大量籽粒样本进行快速标记。试验中标记一个荞麦籽粒平均用时小于1.5秒。6.选择RGB颜色空间三个通道的灰度均值、灰度标准差和偏度,形状特征中与形态无关的面积、长轴长、短轴长和周长,共13个特征作为荞麦籽粒特征,使用BP神经网络对荞麦剥出物中的各种籽粒成分进行识别。试验中未剥壳荞麦、完整荞麦米和碎荞麦米的识别率分别为99.8%、97.8%和95.4%,综合正确识别率可达98.6%。以单一粒径不同砂盘间隙这种剥壳工况变化为代表,试验所提出的机器视觉检测方法对出料口荞麦剥出物成分比例变化的检测效果。试验结果表明,该方法得到的出米率能够反映荞麦剥壳机组的剥壳性能。处理和识别一幅包含897个籽粒的1824×1368像素图像耗时5.15秒,运行时间能够满足在线检测需求。
孙凡[8]（2019）在《堆叠棒材端面图像的自动分割算法与识别标定系统研究》文中研究表明随着工业的快速发展,我国对各类棒材的需求量都有明显提升,此时对棒材数量的监控与统计的意义也愈发重大。目前,大部分的棒材计数还依赖于人工计数。这种方法会增大员工的劳动强度,并且工作效率很低,准确性也会比较差,所以,目前急需迫一些准确度较高的棒材自动计数方法。基于机器视觉的方法,我们可以对图像进行分析,使用模式识别技术来检测棒材,这是实现棒材自动计数的可行方法。通常,人工拍摄的棒材端面图像中,可能会包含较多噪声,并且由于棒材摆放不规整,端面参差不齐,从而产生遮挡,这就会导致分割后的二值图像中,粘连较为严重。另外,对于一些钢材,其端面会被氧化,光学特性发生改变,导致出现颜色不均匀的现象,以上的原因都会降低自动计数的准确率。鉴于此,本文从图像中的端面提取、中心标定计数这两方面入手,实现了棒材端面图像的自动识别计数功能。本文的研究内容主要包括如下几个部分:第一,提出一种基于云模型的棒材端面图像前背景分离方法。在堆叠棒材端面图像中,端面区域的颜色接近,且这些像素分布较为集中。在基于云模型的彩色图像分割算法中,保留了像素间的不确定性关系,且其分割过程易于控制,适合当前端面提取场景,因此本文以基于云模型的彩色图像分割方法为基础,针对当前应用场景提出了改进算法,得到基于云模型的棒材端面图像前背景分离算法。该方法在现有的非均匀量化方法上,融合了一种新的交叉量化方式,根据其统计直方图设计了一种新的合并与归类准则,并且改进了现有的概念提取规则,实现了对图像的适当分割。通过与改进前的算法进行比较,实验结果表明了该方法对彩色图像分割的有效性,同时更适合当前棒材端面分割场景,测试图的平均误分率为5.2%。第二,提出一种基于支持向量回归的棒材图像前景区域提取方法。本方法对前景背景分割结果进行筛选,对面积较大的连通域进行参数提取,其中包含面积、中心位置,并且设计了一个像素聚集度参数,并且根据认知标定回归结果,训练回归模型,根据回归结果选择保留的连通域,以此作为待计数的堆叠棒材端面区域,同时去除其他图像区域（背景部分）。结果表明该方法在绝大多数情况下可以有效去除背景,保留端面区域图像。第三,提出一种基于双边缘模板匹配的类圆颗粒检测算法。由于标准圆形检测的硬判断方法对生活中的棒材图像的实际效果并不理想,因此,受到Sobel边缘检测方法和模糊论的启发,本文设计了一组新的模板进行模板匹配,以增强实用性和鲁棒性,解决不规则圆形检测中出现的问题。针对端面区域图像进行一系列预处理（灰度化、滤波、自适应阈值二值化）得到待计数的二值图像,以此作为研究对象。对于其中的尺寸接近的类圆堆叠颗粒,利用粒度测量方法得到类圆颗粒的估计半径,则无需棒材大小的先验知识。通过此半径构造了一组边缘模板,同时使用Sobel算子将待检测的二值图像分别在两个方向上检测边缘,最后使用构造的边缘模板对边缘进行匹配,并通过设计限制条件得到中心标记结果。实验表明,此方法可以有效检测此类颗粒,并且可以解决轻度堆叠、孔洞缺陷等影响。对中度堆叠的类圆颗粒的检测准确率达到94.9%。本文的研究成果有助于城市建设者对于各类棒材的管理,自动化处理的引入,解决了人工计数的各种问题,提高了工作效率。另外,本文提出的堆叠颗粒检测方法可以在其他领域（如细胞分割等）应用,可以提供一定的参考价值。
程思铭[9]（2013）在《多类圆形物体图像的中心定位算法研究》文中研究说明随着计算机技术和机器视觉的不断发展，采用数字图像处理技术进行目标统计的应用越来越广泛，其中类圆物体的计数问题已经成为目前图像处理领域的热点之一。通过计算机技术对物体进行自动计数，可以减轻人的劳动强度，提高工作效率和计数准确度，具有很大的研究意义。本文以捆扎棒材的端面图像为研究目标，改进了一种类圆物体的中心定位算法，目的即是为了根据检测出的中心点个数来统计物体的数量。本文首先详细分析了棒材端面图像的特征，利用目标边缘在各个方向上具有对称性而背景边缘分布没有规律可循的特点，采用一种基于方向滤波和方向检测的感兴趣区域提取与阈值化相结合的图像分割方法，并对本文所设计中心定位系统中所采用的图像预处理技术进行了阐述。其次，本文对几种常用的类圆形图像的粘连分割方法进行了研究和分析。根据类圆图像的实际特点，改进了一种基于圆Hough变换的棒材图像目标分割与中心定位识别算法。该算法首先采用边缘检测算子获取目标边缘点的梯度信息，然后对圆Hough变换的算法进行改进，该方法对重叠粘连类圆物体的分离取得了很好的效果。在中心点的判定过程中，本文设计了一种中心点判断准则，利用中心区域亮度值较大的特点和目标半径范围内只有一个中心的特点，去除虚伪的中心点。该方法实现简单，效果良好。最后，利用本文提出的类圆形物体的中心定位方法，基于Visual Studio2010和OPENCV设计了图像处理软件，并用棒材端面图像进行试验，试验结果表明该方法定位准确，相对于基于圆环的改进Hough变换的算法，计数准确率有所提高。
吴佳[10]（2014）在《基于高光谱成像技术的马铃薯薯形检测与算法研究》文中研究表明马铃薯是宁夏的主要农产品之一,也是重要的经济作物,马铃薯的品质检测是加工中的重要环节,为了提高马铃薯的经济效益,对马铃薯进行形状检测是必须的步骤。本论文基于高光谱成像技术获取马铃薯图像,对马铃薯的薯形检测和算法展开研究。论文主要研究内容和结论如下：①将马铃薯分为优形和畸形两种薯,利用高光谱成像技术采集图像信息,对图像进行灰度化、滤波、阈值分割及边缘检测等前期处理。对马铃薯的高光谱灰度图像加入椒盐噪声,采用四种滤波方法对图像进行滤波,最有效的滤波方式为自适应中值滤波和小波递推的最小二乘滤波方法。②采用基于小波的相对矩方法完成马铃薯的薯形检测及分级研究。利用小波边缘检测算法检测图像边缘,计算边缘图像的相对矩值作为描述马铃薯形状的特征向量。通过欧氏距离分类法完成马铃薯的分类,准确率分别为优形薯是85%,畸形薯是90%。③采用基于极半径的傅里叶描述子的方法实现马铃薯的薯形检测及分类。将马铃薯边缘图像的质心作为极点,以任意点为起点根据3×3邻域范围对图像边缘逐点采样,计算边缘图像的极坐标函数,再对其进行傅里叶变换提取谱信息。最后利用欧氏距离法完成马铃薯形状的分类,准确率分别为优形薯是75%,畸形薯是80%。④对以上基于小波相对矩的薯形检测方法和基于极半径的傅里叶描述子的两种薯形检测方法从检测准确率及稳定性方面进行比较分析,为马铃薯形状的准确分级以及利用高光谱研究农产品的品质检测都提供了一定的参考价值。
二、类圆形物体的特征描述（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、类圆形物体的特征描述（论文提纲范文）
（1）基于图像识别的中空纤维膜组件完整性检测系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 研究目标和内容 |
| 1.4 章节安排 |
| 第二章 柱式膜完整性检测系统设计原理和方案 |
| 2.1 检测系统的组成 |
| 2.1.1 图像采集模块 |
| 2.1.2 气泡检测模块 |
| 2.1.3 膜丝识别模块 |
| 2.1.4 交互模块 |
| 2.2 设计原理和方法 |
| 2.2.1 图像采集 |
| 2.2.2 传统图像目标检测 |
| 2.2.3 深度学习目标检测 |
| 2.2.4 系统目标检测方案 |
| 2.3 本章小结 |
| 第三章 气泡和组件检测 |
| 3.1 传统图像识别 |
| 3.1.1 检测流程 |
| 3.1.2 图像预处理 |
| 3.1.3 图像边缘提取 |
| 3.1.4 霍夫圆检测 |
| 3.2 深度学习目标检测 |
| 3.2.1 YOLOv3原理 |
| 3.2.2 数据采集和标注 |
| 3.2.3 训练及结果 |
| 3.2.4 坐标计算 |
| 3.3 本章小结 |
| 第四章 膜丝识别 |
| 4.1 图像预处理 |
| 4.1.1 图像去雾 |
| 4.1.2 图像灰度化 |
| 4.1.3 幂律变换 |
| 4.1.4 图像平滑 |
| 4.2 边缘信息获取 |
| 4.2.1 图像梯度增强 |
| 4.2.2 图像掩膜 |
| 4.2.3 边缘检测 |
| 4.3 霍夫圆检测 |
| 4.3.1 霍夫变换参数对结果的影响 |
| 4.3.2 霍夫变换结果分析 |
| 4.4 本章小结 |
| 第五章 系统测试及分析 |
| 5.1 统一坐标 |
| 5.2 界面展示 |
| 5.3 树毒派系统 |
| 5.4 测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（2）基于机器视觉的模拟仪表自动识别与监控方法研究（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 国内外研究现状及存在的问题 |
| 1.2.1 指针式仪表 |
| 1.2.2 浮子流量计 |
| 1.3 本文的主要工作安排及结构安排 |
| 1.3.1 本文完成的主要工作 |
| 1.3.2 本文的结构安排 |
| 第二章 基于SSD的模拟仪表自动识别与监控方法相关理论 |
| 2.1 基于SSD的模拟仪表自动识别与监控方法框架设计 |
| 2.2 SSD的基本原理与实现 |
| 2.2.1 SSD算法原理 |
| 2.2.2 基于SSD算法的模拟仪表分类与定位 |
| 2.3 数字图像处理常用方法 |
| 2.3.1 图像的二值化 |
| 2.3.2 色彩空间转换 |
| 2.4 本章小结 |
| 第三章 指针式仪表盘的定位与提取 |
| 3.1 表盘预处理 |
| 3.1.1 图像亮度调整算法 |
| 3.1.2 霍夫变换 |
| 3.1.3 连通区域分析 |
| 3.2 仪表盘定位与提取 |
| 3.3 本章小结 |
| 第四章 指针式仪表读数识别 |
| 4.1 指针检测及指针角度计算 |
| 4.1.1 定位指针区域及仪表圆心 |
| 4.1.2 细化指针与直线拟合 |
| 4.1.3 指针方向判断机制 |
| 4.2 检测最大刻度及其角度计算 |
| 4.2.1 边缘检测 |
| 4.2.2 最大刻度区域检测及计算最大刻度角度 |
| 4.3 最大量程数字识别 |
| 4.3.1 最大量程数字的提取与分割 |
| 4.3.2 常用的数字字符识别算法 |
| 4.3.3 基于CNN的数字字符识别算法 |
| 4.4 读数计算 |
| 4.4.1 刻度法 |
| 4.4.2 角度法 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 浮子流量计自动监控方法研究 |
| 5.1 浮子流量计自动监控方法设计 |
| 5.1.1 工作范围的定位与提取 |
| 5.1.2 漏检的浮子检测 |
| 5.1.2.1 模板匹配 |
| 5.1.2.2 漏检浮子检测流程 |
| 5.2 实验结果与分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）变电站智能运检监控系统及其图像识别技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作 |
| 第二章 变电站智能运检监控系统的需求分析 |
| 2.1 引言 |
| 2.2 传统运维方式存在的问题 |
| 2.3 需求分析 |
| 2.3.1 功能性需求分析 |
| 2.3.2 建设需求分析 |
| 2.4 可行性分析 |
| 2.5 本章小结 |
| 第三章 开关设备分合状态智能识别的研究 |
| 3.1 引言 |
| 3.2 图像获取 |
| 3.3 开关位置粗定位 |
| 3.3.1 灰度化 |
| 3.3.2 灰度增强 |
| 3.3.3 图像滤波 |
| 3.3.4 霍夫圆变换 |
| 3.4 开关位置精确定位 |
| 3.4.1 二值化 |
| 3.4.2 形态学运算 |
| 3.4.3 基于连通域的目标分割 |
| 3.5 开关状态识别 |
| 3.5.1 SIFT特征匹配 |
| 3.5.2 SURF特征匹配 |
| 3.5.3 KNN算法 |
| 3.6 本章小结 |
| 第四章 变电站智能运检监控系统的设计 |
| 4.1 引言 |
| 4.2 系统架构设计 |
| 4.3 系统硬件设计 |
| 4.3.1 硬件架构 |
| 4.3.2 摄像机 |
| 4.3.3 巡检机器人 |
| 4.4 系统软件设计 |
| 4.4.1 首页设计 |
| 4.4.2 顺控操作软件 |
| 4.5 本章小结 |
| 第五章 变电站智能运检监控系统的应用 |
| 5.1 引言 |
| 5.2 系统的应用 |
| 5.2.1 试点变电站基本情况 |
| 5.2.2 智能巡视应用 |
| 5.2.3 红外热成像监测应用 |
| 5.2.4 一键顺控操作应用 |
| 5.3 预期经济效益 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（4）自然环境下苹果目标的识别算法研究（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 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 目前存在的问题 |
| 1.4 论文研究内容与章节安排 |
| 2 图像平滑算法与颜色空间模型研究 |
| 2.1 图像平滑算法的研究 |
| 2.1.1 均值滤波算法 |
| 2.1.2 高斯滤波算法 |
| 2.1.3 中值滤波算法 |
| 2.1.4 基于中值滤波算法实现图像去噪 |
| 2.2 颜色空间的研究 |
| 2.2.1 RGB颜色空间模型 |
| 2.2.2 L*a*b*颜色空间模型 |
| 2.3 本章小结 |
| 3 图像分割算法研究 |
| 3.1 阈值法 |
| 3.1.1 阈值法的基本原理 |
| 3.1.2 基于大津法分割的实现 |
| 3.2 边缘检测法 |
| 3.2.1 Roberts算子 |
| 3.2.2 Prewitt算子 |
| 3.2.3 Sobel算子 |
| 3.2.4 Canny算子 |
| 3.2.5 基于四种算子分割的实现 |
| 3.3 特征聚类法 |
| 3.3.1 K-means聚类算法的基本原理 |
| 3.3.2 基于K-means聚类算法分割的实现 |
| 3.4 改进K-means聚类算法的原理与目标分割的实现 |
| 3.5 传统K-means算法与改进K-means算法的分割对比实验 |
| 3.6 本章小结 |
| 4 苹果目标轮廓提取方法研究 |
| 4.1 基于Canny算子的果实目标边缘检测 |
| 4.2 基于凸包理论的伪边缘去除 |
| 4.2.1 凸包的定义 |
| 4.2.2 卷包裹凸包算法的基本原理 |
| 4.2.3 基于卷包裹凸包算法去除伪边缘的实现 |
| 4.3 基于三次样条插值算法的果实轮廓提取 |
| 4.3.1 三次样条插值算法的原理 |
| 4.3.2 基于三次样条插值算法的果实轮廓提取的实现 |
| 4.4 本章小结 |
| 5 自然环境下的苹果目标识别 |
| 5.1 无遮挡情形下的单果目标识别 |
| 5.1.1 图像预处理 |
| 5.1.2 目标轮廓提取 |
| 5.1.3 实验验证与结果分析 |
| 5.2 遮挡情形下的单果目标识别 |
| 5.2.1 图像预处理 |
| 5.2.2 真实轮廓提取 |
| 5.2.3 实验验证与结果分析 |
| 5.3 双果重叠无遮挡情形下的目标识别 |
| 5.3.1 图像采集 |
| 5.3.2 图像预处理 |
| 5.3.3 双果分离 |
| 5.3.4 双果目标轮廓提取 |
| 5.3.5 实验验证与结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（5）基于深度检测和分割网络的乳腺癌图像分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 英文缩略语 |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 研究内容和难点 |
| 1.3 本文的主要贡献和结构安排 |
| 2 有丝分裂检测和钼靶肿块分割研究现状 |
| 2.1 病理图像有丝分裂细胞检测的研究现状 |
| 2.2 有丝分裂细胞检测数据集 |
| 2.3 钼靶图像肿块分割研究现状 |
| 2.4 肿块分割数据集 |
| 2.5 本章小结 |
| 3 基于神经特征描述子的细胞检测 |
| 3.1 研究背景与动机 |
| 3.2 神经特征描述子及检测框架 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 联合优化的分裂细胞检测网络 |
| 4.1 研究动机 |
| 4.2 相关工作 |
| 4.3 主要思路和整体框图 |
| 4.4 网络框架介绍 |
| 4.5 实验结果及分析 |
| 4.6 本章小结 |
| 5 基于弱监督的分裂细胞检测 |
| 5.1 研究动机 |
| 5.2 相关工作 |
| 5.3 主要思路 |
| 5.4 同心圆损失的弱监督细胞检测框架 |
| 5.5 实验结果及分析 |
| 5.6 本章小结 |
| 6 基于深度网络的钼靶肿块分割检测及诊断 |
| 6.1 背景和相关工作 |
| 6.2 主要思路 |
| 6.3 深度网络的肿块诊断方法介绍 |
| 6.4 实验结果及分析 |
| 6.5 本章小结 |
| 7 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 附录1 攻读博士学位期间发表的论文 |
| 附录2 攻读博士学位期间参与的课题 |
（6）排泄辅助机器人人机协作控制系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状及存在问题 |
| 1.2.1 养老护理机器人研究现状 |
| 1.2.2 人机协作系统研究现状 |
| 1.3 本文主要研究内容与安排 |
| 1.3.1 问题提出与研究内容 |
| 1.3.2 文章结构安排 |
| 第2章 人机协作控制系统方案设计 |
| 2.1 总体方案 |
| 2.2 硬件设计方案 |
| 2.2.1 系统结构 |
| 2.2.2 电路及传感器设计 |
| 2.3 软件设计方案 |
| 2.3.1 软件平台方案 |
| 2.3.2 腿部检测方案 |
| 2.3.3 背部检测方案 |
| 2.4 本章小结 |
| 第3章 机器人及人机协作过程建模分析 |
| 3.1 搀扶时人体下坐过程分析 |
| 3.1.1 人体下坐模型建立及分析 |
| 3.1.2 下坐过程运动特点分析 |
| 3.2 患者移乘过程分析 |
| 3.2.1 双人站位分析 |
| 3.2.2 足部运动轨迹分析 |
| 3.3 机器人运动学与动力学分析 |
| 3.3.1 运动学建模 |
| 3.3.2 动力学建模 |
| 3.4 人机协作过程系统性能分析 |
| 3.5 本章小结 |
| 第4章 人机协作控制策略研究 |
| 4.1 坐点舒适性评价机制 |
| 4.1.1 强化学习 |
| 4.1.2 模糊推理 |
| 4.1.3 模糊推理-强化学习结合的学习策略 |
| 4.1.4 实验验证 |
| 4.2 人机协作过程中快速性问题的研究 |
| 4.2.1 运动物体的预测 |
| 4.2.2 机器人的路径规划 |
| 4.3 人机协作过程的安全性讨论 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 存在问题及未来展望 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（7）基于机器视觉的荞麦剥壳性能参数在线检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器视觉技术在农产品检测中的应用 |
| 1.2.2 图像中颗粒对象的粘连分割 |
| 1.3 存在的问题及研究内容 |
| 1.3.1 存在的问题 |
| 1.3.2 研究内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 2 荞麦剥壳性能参数在线检测试验台架与图像预处理 |
| 2.1 剥壳机组与试验台架 |
| 2.1.1 荞麦剥壳机组 |
| 2.1.2 荞麦籽粒的取料匀料 |
| 2.1.3 图像采集与处理设备 |
| 2.1.4 照明光源 |
| 2.2 荞麦籽粒图像的插值重建 |
| 2.2.1 工业相机中的颜色滤波阵列 |
| 2.2.2 图像中籽粒边缘的拉链效应 |
| 2.2.3 带二阶拉普拉斯修正项的边缘自适应插值算法 |
| 2.3 荞麦籽粒图像的增强 |
| 2.3.1 荞麦籽粒图像中的伪彩色 |
| 2.3.2 荞麦籽粒图像的空间域滤波 |
| 2.3.3 荞麦籽粒图像的对比度增强 |
| 2.4 本章小结 |
| 3 荞麦籽粒图像的背景分割 |
| 3.1 图像的背景分割 |
| 3.2 荞麦籽粒图像的阈值分割 |
| 3.2.1 彩色图像的颜色空间及灰度化 |
| 3.2.2 灰度图像的阈值分割 |
| 3.3 荞麦籽粒图像的N× (B-R)灰度化方法 |
| 3.3.1 RGB颜色空间中荞麦籽粒颜色分特点 |
| 3.3.2 荞麦籽粒图像的N× (B-R)灰度化方法 |
| 3.3.3 荞麦籽粒图像的二值化 |
| 3.4 本章小结 |
| 4 荞麦籽粒图像的粘连分割 |
| 4.1 分水岭分割方法 |
| 4.2 粘连荞麦籽粒图像种子点提取方法 |
| 4.2.1 荞麦籽粒的距离图像 |
| 4.2.2 荞麦籽粒的距离骨架图像 |
| 4.2.3 区域极大值滤波提取种子点 |
| 4.3 种子点控制的粘连荞麦籽粒分水岭分割 |
| 4.4 本章小结 |
| 5 荞麦剥出物成分识别与剥壳性能参数检测 |
| 5.1 籽粒样本的交互式快速标注 |
| 5.2 荞麦籽粒特征的提取 |
| 5.3 荞麦剥出物中籽粒类别的识别 |
| 5.3.1 神经网络识别方法 |
| 5.3.2 荞麦籽粒的BP神经网络识别 |
| 5.4 荞麦剥壳性能检测 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 本文创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（8）堆叠棒材端面图像的自动分割算法与识别标定系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 彩色图像的前背景分离 |
| 1.2.2 支持向量机理论 |
| 1.2.3 类圆颗粒检测 |
| 1.3 论文主要内容 |
| 1.4 论文结构安排 |
| 第2章 基于云模型的前背景分割与圆检测的基础 |
| 2.1 云模型的原理 |
| 2.1.1 云模型的定义及性质 |
| 2.1.2 云模型的数值特征 |
| 2.1.3 云模型的“3En”规则 |
| 2.2 标准圆检测 |
| 2.3 基本方法的缺点分析 |
| 2.3.1 堆叠棒材图像的端面区域提取 |
| 2.3.2 类圆颗粒检测 |
| 2.4 本章小结 |
| 第3章 基于云模型的棒材端面图像前背景分离算法 |
| 3.1 本章核心思想及流程设计 |
| 3.2 基于云模型的彩色图像分割流程 |
| 3.2.1 颜色空间的选择与量化 |
| 3.2.2 概念提取过程 |
| 3.2.3 云综合 |
| 3.3 针对棒材端面图像的改进自动分割方法 |
| 3.3.1 交叉量化直方图 |
| 3.3.2 改进的概念提取方法 |
| 3.3.3 正态云的归类 |
| 3.3.4 前景背景像素分离方法 |
| 3.4 前背景分离效果评估 |
| 3.5 本章小结 |
| 第4章 基于支持向量回归的棒材端面区域提取 |
| 4.1 本章核心思想及设计流程 |
| 4.2 支持向量回归理论 |
| 4.2.1 支持向量回归原理 |
| 4.2.2 核函数 |
| 4.3 基于支持向量回归的端面区域提取设计方法 |
| 4.3.1 分割图像的参数提取 |
| 4.3.2 支持向量机的训练 |
| 4.4 检测方法与提取效果评估 |
| 4.5 本章小结 |
| 第5章 基于双边缘模板匹配的类圆颗粒检测 |
| 5.1 本章核心思想及流程设计 |
| 5.2 图像的预处理及粒度检测 |
| 5.3 基于双边缘模板匹配的类圆颗粒检测与计数 |
| 5.4 含缺陷与堆叠的标记效果评估 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（9）多类圆形物体图像的中心定位算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 类圆形物体计数的国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 论文章节安排 |
| 第二章 图像预处理算法研究 |
| 2.1 棒材端面图像分析 |
| 2.2 图像预处理技术 |
| 2.2.1 图像灰度化 |
| 2.2.2 感兴趣区域提取 |
| 2.2.3 图像平滑 |
| 2.2.4 图像二值化 |
| 2.3 小结 |
| 第三章 重叠粘连类圆形物体的分离算法 |
| 3.1 基于数学形态学的算法 |
| 3.1.1 腐蚀膨胀法 |
| 3.1.2 分水岭变换法 |
| 3.2 基于凹点的算法 |
| 3.3 基于边缘检测的算法 |
| 3.4 小结 |
| 第四章 圆 Hough 变换的理论基础 |
| 4.1 直线 Hough 变换 |
| 4.2 标准圆 Hough 变换 |
| 4.3 小结 |
| 第五章 基于圆 Hough 变换的棒材图像中心定位 |
| 5.1 算法原理 |
| 5.2 基于梯度信息的圆 Hough 变换 |
| 5.3 重叠粘连棒材的中心定位 |
| 5.4 小结 |
| 第六章 系统设计与试验分析 |
| 6.1 算法流程图 |
| 6.2 系统运行环境 |
| 6.3 实验结果 |
| 6.4 小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士期间发表论文情况 |
| 致谢 |
（10）基于高光谱成像技术的马铃薯薯形检测与算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题来源 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状及分析 |
| 1.4 本文主要研究内容及技术路线 |
| 第二章 马铃薯图像前期处理 |
| 2.1 概述 |
| 2.2 图像灰度化 |
| 2.3 马铃薯图像滤波 |
| 2.4 马铃薯图像阈值分割 |
| 2.5 马铃薯图像边缘检测 |
| 2.6 小结 |
| 第三章 基于小波的相对矩薯形检测算法研究 |
| 3.1 小波 |
| 3.2 相对矩 |
| 3.3 欧式距离分类法 |
| 3.4 实验结果及总结 |
| 3.5 小结 |
| 第四章 基于极半径的傅里叶描述子薯形检测算法研究 |
| 4.1 模式识别 |
| 4.2 图像描述 |
| 4.3 基于极半径的傅里叶描述子 |
| 4.4 两种马铃薯薯形检测算法的比较分析 |
| 4.5 小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 个人简介 |
四、类圆形物体的特征描述（论文参考文献）
- [1]基于图像识别的中空纤维膜组件完整性检测系统[D]. 宋明睿. 北京邮电大学, 2021(01)
- [2]基于机器视觉的模拟仪表自动识别与监控方法研究[D]. 靳一丹. 电子科技大学, 2021(01)
- [3]变电站智能运检监控系统及其图像识别技术的研究[D]. 邓镇明. 华南理工大学, 2020(05)
- [4]自然环境下苹果目标的识别算法研究[D]. 景晓梅. 西安科技大学, 2020(01)
- [5]基于深度检测和分割网络的乳腺癌图像分析[D]. 李超. 华中科技大学, 2019(01)
- [6]排泄辅助机器人人机协作控制系统研究[D]. 于春伟. 沈阳工业大学, 2019(08)
- [7]基于机器视觉的荞麦剥壳性能参数在线检测方法研究[D]. 吕少中. 内蒙古农业大学, 2019
- [8]堆叠棒材端面图像的自动分割算法与识别标定系统研究[D]. 孙凡. 北京工业大学, 2019(03)
- [9]多类圆形物体图像的中心定位算法研究[D]. 程思铭. 武汉科技大学, 2013(04)
- [10]基于高光谱成像技术的马铃薯薯形检测与算法研究[D]. 吴佳. 宁夏大学, 2014(08)