數(shù)字圖像檢測與控制技術(shù)：理論及實例

上篇圖像檢測與控制技術(shù)
第1章常用圖像處理算法001
1.1彩色圖像和灰度圖像001
1.1.1彩色圖像001
1.1.2灰度圖像002
1.1.3HSI顏色變換003
1.1.4C語言函數(shù)005
1.2邊緣檢測008
1.2.1邊緣與圖像處理008
1.2.2基于微分的邊緣檢測010
1.2.3基于模板匹配的邊緣檢測011
1.2.4邊緣圖像的二值化處理013
1.2.5C語言函數(shù)013
1.3二值化處理016
1.3.1灰度圖像的閾值處理016
1.3.2模態(tài)法確定分割閾值017
1.3.3大津(Otsu)法確定分割閾值018
1.3.4基于顏色差分的二值化處理019
1.3.5基于幀間差分的二值化處理022
1.3.6C語言函數(shù)024
1.4去噪聲處理027
1.4.1移動平均028
1.4.2中值濾波028
1.4.3二值圖像的去噪聲處理029
1.4.4C語言函數(shù)031
1.5幾何參數(shù)檢測034
1.5.1二值圖像的特征參數(shù)034
1.5.2區(qū)域標記036
1.5.3基于特征參數(shù)提取物體037
1.5.4基于特征參數(shù)消除噪聲038
1.5.5C語言函數(shù)039
1.6Hough變換045
1.6.1傳統(tǒng)Hough變換的直線檢測045
1.6.2過已知點Hough變換的直線檢測047
1.6.3Hough變換的曲線檢測048
1.6.4C語言函數(shù)049
1.7深度學習054
1.7.1深度學習基本概念054
1.7.2深度學習的常用方法057
1.7.3卷積神經(jīng)網(wǎng)絡的典型結(jié)構(gòu)066

第2章專業(yè)圖像處理系統(tǒng)069
2.1通用圖像處理系統(tǒng)ImageSys069
2.1.1系統(tǒng)簡介069
2.1.2系統(tǒng)主要功能070
2.1.3系統(tǒng)開發(fā)平臺Sample084
2.2二維運動圖像測量分析系統(tǒng)MIAS084
2.2.1系統(tǒng)簡介084
2.2.2系統(tǒng)主要功能085
2.2.3系統(tǒng)開發(fā)平臺MSSample099
2.3三維運動測量分析系統(tǒng)MIAS3D099
2.3.1系統(tǒng)簡介099
2.3.2系統(tǒng)主要功能100
2.3.3系統(tǒng)其他功能106

第3章近紅外光譜與高光譜成像107
3.1近紅外光譜107
3.1.1近紅外光譜檢測技術(shù)簡介107
3.1.2近紅外光譜檢測工作原理109
3.1.3檢測過程與方法116
3.2高光譜成像119
3.2.1光譜成像技術(shù)簡介119
3.2.2高光譜圖像檢測工作原理120
3.2.3檢測過程與方法128
3.3近紅外光譜及高光譜成像數(shù)據(jù)處理方法132
3.3.1近紅外光譜及高光譜成像數(shù)據(jù)預處理方法132
3.3.2數(shù)據(jù)降維及特征變量選擇方法137
3.3.3定性及定量模型的建立方法144

第4章自動控制理論153
4.1控制系統(tǒng)分析153
4.1.1閉環(huán)系統(tǒng)基本概念153
4.1.2數(shù)學模型157
4.1.3時域分析177
4.1.4頻域分析185
4.1.5穩(wěn)定性與誤差分析194
4.2控制系統(tǒng)PID控制209
4.2.1PID控制規(guī)律209
4.2.2控制參數(shù)確定方法216
4.2.3采用MATLAB的PID仿真分析228
4.2.4數(shù)字PID的編程方法231
4.3自抗擾控制234
4.3.1自抗擾控制概述234
4.3.2自適應迭代學習ADRC控制239
4.3.3抗擾實驗與結(jié)果分析241

下篇應用實例
第5章圖像檢測實例247
5.1車輛尺寸顏色參數(shù)實時檢測247
5.1.1項目目標與技術(shù)要點247
5.1.2系統(tǒng)構(gòu)成方案248
5.1.3系統(tǒng)檢測方案249
5.1.4車輛進出判斷250
5.1.5車輛邊沿檢測254
5.1.6車輛顏色檢測260
5.1.7檢測流程261
5.1.8系統(tǒng)影響因素分析262
5.2玉米粒在穗計數(shù)263
5.2.1項目目標與技術(shù)要點263
5.2.2設備及軟件環(huán)境264
5.2.3玉米粒在穗計數(shù)流程264
5.3馬鈴薯種薯芽眼識別及點云模型重構(gòu)274
5.3.1項目背景與技術(shù)要點274
5.3.2馬鈴薯種薯芽眼的圖像識別及定位方法研究275
5.3.3馬鈴薯種薯的點云模型重構(gòu)方法及質(zhì)量預測模型研究285
5.3.4項目研究結(jié)論295
5.4蝗蟲圖像識別計數(shù)296
5.4.1項目目標與技術(shù)要點296
5.4.2蝗蟲圖像的采集297
5.4.3原圖像的調(diào)整297
5.4.4靜態(tài)圖像內(nèi)蝗蟲的識別與計數(shù)303
5.5基于機器視覺的果樹靶標識別314
5.5.1項目目標與技術(shù)要點314
5.5.2系統(tǒng)組成與總體檢測流程315
5.5.3靶標果樹的圖像處理方案316
5.5.4靶標果樹冠層特征提取324
5.6苗草圖像識別325
5.6.1項目背景與目標325
5.6.2苗期除草工況下的快速作物識別326
5.6.3雙目立體視覺花椰菜識別算法332

第6章近紅外光譜與高光譜成像技術(shù)應用實例341
6.1蘋果糖度的近紅外光譜檢測方法341
6.1.1項目目標與技術(shù)要點341
6.1.2靜態(tài)檢測裝置設計方案341
6.1.3蘋果樣品的準備與檢測344
6.1.4靜態(tài)采集數(shù)據(jù)分析347
6.1.5在線動態(tài)檢測系統(tǒng)的搭建349
6.1.6在線檢測系統(tǒng)試驗驗證351
6.2小麥葉片葉綠素含量的高光譜成像檢測方法353
6.2.1項目目標與技術(shù)要點353
6.2.2高光譜成像系統(tǒng)搭建353
6.2.3試驗材料準備354
6.2.4小麥葉片數(shù)據(jù)采集354
6.2.5數(shù)據(jù)處理與分析354
6.3異質(zhì)雞肉的近紅外光譜檢測鑒別研究358
6.3.1項目目標與技術(shù)要點358
6.3.2試驗材料與方法358
6.3.3PSE、DFD與正常雞肉的近紅外光譜檢測鑒別361
6.3.4全光譜分析及特征波長選擇363
6.3.5不同波段范圍多光譜模型建立及評價365
6.4豬肉細菌總數(shù)的高光譜成像檢測366
6.4.1研究目標與技術(shù)要點366
6.4.2高光譜成像系統(tǒng)搭建366
6.4.3試驗材料準備367
6.4.4豬肉樣品的檢測367
6.4.5目標區(qū)域光譜提取與預處理368
6.4.6豬肉表面TVC預測模型建立與分析369
6.5霉菌單菌落的生長光學特征分析及種類判別371
6.5.1試驗材料與試驗過程371
6.5.2霉菌單菌落的生長特征分析373
6.5.3霉菌單菌落同心環(huán)形生長區(qū)的特征376
6.5.4霉菌單菌落種類的判別模型建立381
6.6可見/近紅外高光譜圖像無損鑒別八角茴香與偽品莽草384
6.6.1材料與方法384
6.6.2結(jié)果與分析386
6.6.3與常規(guī)圖像處理方法的比較388
6.7基于高光譜成像技術(shù)的生鮮雞肉糜中大豆蛋白含量檢測391
6.7.1材料與方法391
6.7.2結(jié)果與分析393
6.8釀酒葡萄成熟度光譜圖像檢測400
6.8.1釀酒葡萄多光譜圖像采集400
6.8.2釀酒葡萄成熟度檢測指標與傳統(tǒng)方法402
6.8.3多光譜圖像處理與指標選擇403
6.8.4多光譜圖像R分量與葡萄成熟度的關(guān)系模型406

第7章圖像檢測與控制實例408
7.1農(nóng)田視覺檢測與導航系統(tǒng)408
7.1.1項目目標與準備工作408
7.1.2插秧環(huán)境導航線檢測409
7.1.3水田管理機器人導航路線檢測417
7.1.4旱田作業(yè)機器人導航路線檢測421
7.1.5農(nóng)田作業(yè)視覺導航系統(tǒng)426
7.2玉米種粒圖像精選及定向定位裝置429
7.2.1項目目標429
7.2.2種粒動態(tài)圖像精選裝置結(jié)構(gòu)與工作原理430
7.2.3吹除裝置設計431
7.2.4種粒合格性動態(tài)檢測方法432
7.2.5圖像檢測算法435
7.2.6試驗結(jié)果分析438
7.3基于鷹眼視覺的仿生無人機避障控制442
7.3.1研究背景與目標442
7.3.2避障控制與動態(tài)路徑規(guī)劃方法442
7.3.3試驗與分析450
7.3.4結(jié)論454
7.4谷物聯(lián)合收割機視覺導航455
7.4.1項目背景與目標455
7.4.2聯(lián)合收割機視覺導航系統(tǒng)總體方案455
7.4.3聯(lián)合收割機視覺導航系統(tǒng)平臺設計457
7.4.4聯(lián)合收割機視覺導航圖像處理算法研究460
7.4.5聯(lián)合收割機視覺導航系統(tǒng)路徑識別算法研究466
7.4.6聯(lián)合收割機視覺導航系統(tǒng)試驗472
7.5穴盤苗圖像識別與補栽控制478
7.5.1項目背景與技術(shù)要點478
7.5.2圖像采集與預處理479
7.5.3基于深度卷積神經(jīng)網(wǎng)絡的穴盤缺苗識別480
7.5.4穴盤苗抓取角度檢測484
7.5.5穴盤補栽控制方法488
7.5.6研究結(jié)論492

參考文獻494