機(jī)器視覺(jué)系統(tǒng)及農(nóng)林工程應(yīng)用

序
前言
上篇 理論篇
第1章 機(jī)器視覺(jué)系統(tǒng)組成
1．1 照明
1．1．1 電磁輻射
1．1．2 光與目標(biāo)的相互作用
1．1．3 照明的光譜特性
1．1．4 照明的方向性
1．1．5 照明的偏振性
1．1．6 光場(chǎng)的照度與均勻性
1．2 鏡頭與相機(jī)
1．2．1 鏡頭
1．2．2 相機(jī)
1．3 計(jì)算資源
第2章 圖像處理與機(jī)器視覺(jué)基礎(chǔ)
2．1 色彩空間
2．1．1 RGB
2．1．2 CMY
2．1．3 HSI
2．2 圖像增強(qiáng)
2．2．1 直接灰度變換
2．2．2 直方圖修正
2．2．3 圖像代數(shù)運(yùn)算
2．2．4 噪聲去除
2．2．5 圖像銳化
2．3 形態(tài)學(xué)圖像處理
2．3．1 連通性
2．3．2 膨脹和腐蝕
2．3．3 開(kāi)運(yùn)算與閉運(yùn)算
2．3．4 灰度圖像的形態(tài)學(xué)操作
2．4 邊緣檢測(cè)
2．4．1 邊緣定義及分類(lèi)
2．4．2 邊緣檢測(cè)算子
2．4．3 輪廓提取方法
2．5 圖像分割
2．5．1 灰度閩值法分割
2．5．2 區(qū)域生長(zhǎng)
2．5．3 區(qū)域分離與聚合
2．6 雙目立體視覺(jué)
2．6．1 測(cè)量原理
2．6．2 雙目立體視覺(jué)標(biāo)定
第3章 目標(biāo)識(shí)別算法
3．1 特征提取
3．1．1 顏色特征
3．1．2 紋理特征
3．1．3 形狀特征
3．1．4 空間關(guān)系特征
3．2 聚類(lèi)
3．2．1 聚類(lèi)分析
3．2．2 聚類(lèi)方法
3．2．3 用于聚類(lèi)算法的優(yōu)化和搜索技術(shù)
3．3 模板匹配
3．3．1 模板匹配方法
3．3．2 模板匹配方法的改進(jìn)
3．4 神經(jīng)網(wǎng)絡(luò)識(shí)別
3．4．1 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
3．4．2 前向網(wǎng)絡(luò)分類(lèi)器
3．4．3 自組織映射網(wǎng)絡(luò)
3．4．4 深度學(xué)習(xí)
下篇 實(shí)踐篇
第4章 基于表面漫反射光譜成像的豬肉新鮮度檢測(cè)
4．1 背景與沒(méi)計(jì)思路
4．1．1 背景
4．1．2 設(shè)計(jì)思路與總體設(shè)計(jì)
4．2 光譜成像系統(tǒng)構(gòu)建與圖像獲取
4．2．1 聲光可調(diào)濾光器工作原理
4．2．2 系統(tǒng)架構(gòu)
4．2．3 光譜成像系統(tǒng)軟件開(kāi)發(fā)與系統(tǒng)標(biāo)定
4．2 4光譜圖像采集
4．3 光譜圖像處理
4．3．1 空間預(yù)處理
4．3．2 光譜預(yù)處理
4．4 新鮮度的定量可視化分析
4．4．1 全局光譜預(yù)測(cè)建模
4．4．2 基于肌肉有效興趣區(qū)域的新鮮度定量可視化
4．4．3 空間平滑濾波對(duì)像素級(jí)定量預(yù)測(cè)的必要性
4．5 案例總結(jié)
第5章 肉內(nèi)異物檢測(cè)
5．1 背景與設(shè)計(jì)思路
5．1．1 背景
5．1．2 設(shè)計(jì)思路
5．2 激光輪廓掃描系統(tǒng)構(gòu)建與圖像獲取
5．2．1 激光雙三角法肉尺寸測(cè)量系統(tǒng)構(gòu)建
5．2．2 圖像獲取
5．3 X射線(xiàn)成像系統(tǒng)構(gòu)建與圖像獲取
5．3．1 系統(tǒng)構(gòu)建
5．3．2 圖像獲取
5．4 圖像處理方法
5．4．1 激光圖像預(yù)處理
5．4．2 X射線(xiàn)圖像預(yù)處理
5．5 二源圖像融合
5．5．1 圖像配準(zhǔn)
5．5．2 圖像配準(zhǔn)變換參數(shù)及肉圖像配準(zhǔn)
5．5．3 厚度補(bǔ)償
5．5．4 肉異物圖像分割
5．6 結(jié)果與討論
第6章 蘋(píng)果自動(dòng)快速分級(jí)
6．1 背景與設(shè)計(jì)思路
6．1．1 背景
6．1．2 設(shè)計(jì)思路
6．2 基于自動(dòng)定向的蘋(píng)果分級(jí)機(jī)械裝置設(shè)計(jì)
6．2．1 蘋(píng)果分級(jí)裝置系統(tǒng)組成
6．2．2 蘋(píng)果品質(zhì)智能分級(jí)生產(chǎn)線(xiàn)設(shè)計(jì)
6．3 單攝像頭三像同步圖像采集系統(tǒng)
6．3．1 照明方案及背景的選擇
6．3．2 相機(jī)及附件的選擇
6．3．3 圖像拍攝誤差分析與計(jì)算
6．4 蘋(píng)果分級(jí)創(chuàng)新方法
6．4．1 蘋(píng)果大小和形狀分級(jí)方法
6．4．2 蘋(píng)果顏色分級(jí)方法
6．4．3 蘋(píng)果果面缺陷分級(jí)方法研究
6．5 基于Halcon和VC++平臺(tái)的蘋(píng)果綜合分級(jí)方法
6．5．1 基于L-M算法的多層前向神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)
6．5．2 蘋(píng)果綜合分級(jí)系統(tǒng)軟件設(shè)計(jì)
6．5．3 蘋(píng)果綜合分級(jí)控制系統(tǒng)的通信
6．5．4 蘋(píng)果綜合分級(jí)系統(tǒng)類(lèi)的組成
6．6 基于神經(jīng)網(wǎng)絡(luò)的蘋(píng)果綜合分級(jí)系統(tǒng)
6．6．1 普通用戶(hù)主界面
6．6．2 管理員用戶(hù)界面
6．7 結(jié)果與討論
第7章 農(nóng)田雜草識(shí)別
7．1 背景
7．2 行間雜草識(shí)別
7．2．1 特征提取
7．2．2 特征參數(shù)分析
7．2．3 圖像分割與目標(biāo)識(shí)別
7．2．4 圖像后處理與去噪
7．3 行內(nèi)雜草識(shí)別
7．3．1 識(shí)別系統(tǒng)組成
7．3．2 行內(nèi)雜草識(shí)別算法
7．3．3 試驗(yàn)結(jié)果與討論
7．4 討論
第8章 茶葉智能采摘與分選
8．1 名優(yōu)綠茶采摘研究背景
8．2 名優(yōu)綠茶新梢識(shí)別系統(tǒng)組成與圖像獲取
8．3 名優(yōu)綠茶新梢在茶蓬平面中位置識(shí)別
8．4 名優(yōu)綠茶新梢高度參數(shù)測(cè)量
8．4．1 測(cè)量原理
8．4．2 高度測(cè)量和新梢三維重建
8．5 名優(yōu)綠茶采茶應(yīng)用實(shí)例
8．6 大宗茶茶葉分選需求
8．7 茶葉分選識(shí)別系統(tǒng)組成
8．7．1 喂料系統(tǒng)
8．7．2 光學(xué)檢測(cè)系統(tǒng)
8．7．3 分選系統(tǒng)
8．7．4 人機(jī)界面系統(tǒng)
8．7．5 電控系統(tǒng)
8．8 基于幾何特征分析的彩色茶葉色選識(shí)別算法
8．8．1 圖像降噪
8．8．2 色彩空間變換
8．8．3 圖像分割
8．8．4 形態(tài)學(xué)處理
8．8．5 幾何特征提取
8．9 大宗茶茶葉分選結(jié)果與討論
第9章 樹(shù)形識(shí)別系統(tǒng)
9．1 背景與設(shè)計(jì)思路
9．1．1 背景
9．1．2 設(shè)計(jì)思路
9．2 樹(shù)形識(shí)別系統(tǒng)組成與圖像獲取
9．2．1 樹(shù)形識(shí)別系統(tǒng)組成
9．2．2 圖像獲取及圖像分析
9．3 樹(shù)木圖像分割方法
9．3．1 基于分形理論與顏色的樹(shù)木圖像分割
9．3．2 基于小波理論的樹(shù)木圖像分割
9．4 基于BP網(wǎng)絡(luò)的樹(shù)形識(shí)別系統(tǒng)
9．4．1 輸入層
9．4．2 隱含層
9．4．3 輸出層
9．5 試驗(yàn)及結(jié)果分析
9．5．1 樣本及試驗(yàn)參數(shù)
9．5．2 試驗(yàn)結(jié)果分析
第10章 林火視頻識(shí)別
10．1 背景與設(shè)計(jì)思路
10．1．1 背景
10．1．2 設(shè)計(jì)思路
10．2 林火視頻監(jiān)控系統(tǒng)組成與視頻獲取
10．2．1 林火視頻監(jiān)控系統(tǒng)組成
10．2．2 視頻獲取
10．3 林火視頻火焰識(shí)別
10．3．1 疑似火焰視頻特征向量提取
10．3 2火焰視頻識(shí)別
lO．4 林火視頻煙霧識(shí)別
10．4．1 疑似煙霧視頻特征向量提取
10．4．2 煙霧視頻識(shí)別
10．5 結(jié)果與討論
10．5．1 森林火焰視頻識(shí)別結(jié)果與討論
10．5．2 森林煙霧視頻識(shí)別結(jié)果與討論
第11章 基于CT掃描的原木檢測(cè)與識(shí)別
11．1 背景與設(shè)計(jì)思路
11．2 CT成像基本原理
11．3 基于CT掃描的原木薄木刨切計(jì)算機(jī)模擬
11．3．1 基于CT掃描的原木薄木刨切
11．3．2 CT掃描圖像獲取
11．3．3 試驗(yàn)結(jié)果
11．4 原木CT圖像中木材缺陷的自動(dòng)識(shí)別
11．4．1 試驗(yàn)材料準(zhǔn)備與CT掃描圖像獲取
11．4．2 原木缺陷識(shí)別算法
11．4．3 應(yīng)用實(shí)例
11．5 木材含水率檢測(cè)技術(shù)
11．5．1 測(cè)量原理
11．5．2 材料與試驗(yàn)
11．5．3 結(jié)論與分析
11．6 結(jié)果與分析
第12章 數(shù)字圖像相關(guān)技術(shù)（DIC）在木材科學(xué)中的應(yīng)用
12．1 背景
12．2 數(shù)字圖像相關(guān)技術(shù)（DIC）測(cè)量原理
12．3 數(shù)字圖像相關(guān)技術(shù)應(yīng)用實(shí)例
12．3．1 DIC測(cè)量壓縮木的徑向彈性模量
12．3．2 提高木材壓縮應(yīng)變計(jì)算速度的DIC算法改進(jìn)
12．4 利用DIC測(cè)量位移和應(yīng)變的誤差來(lái)源及分析
12．4．1 相關(guān)運(yùn)算算法本身的誤差
12．4．2 試驗(yàn)設(shè)備、操作及環(huán)境的影響
彩圖