機器視覺系統(tǒng)及農林工程應用

序
前言
上篇 理論篇
第1章 機器視覺系統(tǒng)組成
1．1 照明
1．1．1 電磁輻射
1．1．2 光與目標的相互作用
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 光場的照度與均勻性
1．2 鏡頭與相機
1．2．1 鏡頭
1．2．2 相機
1．3 計算資源
第2章 圖像處理與機器視覺基礎
2．1 色彩空間
2．1．1 RGB
2．1．2 CMY
2．1．3 HSI
2．2 圖像增強
2．2．1 直接灰度變換
2．2．2 直方圖修正
2．2．3 圖像代數運算
2．2．4 噪聲去除
2．2．5 圖像銳化
2．3 形態(tài)學圖像處理
2．3．1 連通性
2．3．2 膨脹和腐蝕
2．3．3 開運算與閉運算
2．3．4 灰度圖像的形態(tài)學操作
2．4 邊緣檢測
2．4．1 邊緣定義及分類
2．4．2 邊緣檢測算子
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
2．5．3 區(qū)域分離與聚合
2．6 雙目立體視覺
2．6．1 測量原理
2．6．2 雙目立體視覺標定
第3章 目標識別算法
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 空間關系特征
3．2 聚類
3．2．1 聚類分析
3．2．2 聚類方法
3．2．3 用于聚類算法的優(yōu)化和搜索技術
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
3．4 神經網絡識別
3．4．1 人工神經網絡簡介
3．4．2 前向網絡分類器
3．4．3 自組織映射網絡
3．4．4 深度學習
下篇 實踐篇
第4章 基于表面漫反射光譜成像的豬肉新鮮度檢測
4．1 背景與沒計思路
4．1．1 背景
4．1．2 設計思路與總體設計
4．2 光譜成像系統(tǒng)構建與圖像獲取
4．2．1 聲光可調濾光器工作原理
4．2．2 系統(tǒng)架構
4．2．3 光譜成像系統(tǒng)軟件開發(fā)與系統(tǒng)標定
4．2 4光譜圖像采集
4．3 光譜圖像處理
4．3．1 空間預處理
4．3．2 光譜預處理
4．4 新鮮度的定量可視化分析
4．4．1 全局光譜預測建模
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 空間平滑濾波對像素級定量預測的必要性
4．5 案例總結
第5章 肉內異物檢測
5．1 背景與設計思路
5．1．1 背景
5．1．2 設計思路
5．2 激光輪廓掃描系統(tǒng)構建與圖像獲取
5．2．1 激光雙三角法肉尺寸測量系統(tǒng)構建
5．2．2 圖像獲取
5．3 X射線成像系統(tǒng)構建與圖像獲取
5．3．1 系統(tǒng)構建
5．3．2 圖像獲取
5．4 圖像處理方法
5．4．1 激光圖像預處理
5．4．2 X射線圖像預處理
5．5 二源圖像融合
5．5．1 圖像配準
5．5．2 圖像配準變換參數及肉圖像配準
5．5．3 厚度補償
5．5．4 肉異物圖像分割
5．6 結果與討論
第6章 蘋果自動快速分級
6．1 背景與設計思路
6．1．1 背景
6．1．2 設計思路
6．2 基于自動定向的蘋果分級機械裝置設計
6．2．1 蘋果分級裝置系統(tǒng)組成
6．2．2 蘋果品質智能分級生產線設計
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 相機及附件的選擇
6．3．3 圖像拍攝誤差分析與計算
6．4 蘋果分級創(chuàng)新方法
6．4．1 蘋果大小和形狀分級方法
6．4．2 蘋果顏色分級方法
6．4．3 蘋果果面缺陷分級方法研究
6．5 基于Halcon和VC++平臺的蘋果綜合分級方法
6．5．1 基于L-M算法的多層前向神經網絡設計
6．5．2 蘋果綜合分級系統(tǒng)軟件設計
6．5．3 蘋果綜合分級控制系統(tǒng)的通信
6．5．4 蘋果綜合分級系統(tǒng)類的組成
6．6 基于神經網絡的蘋果綜合分級系統(tǒng)
6．6．1 普通用戶主界面
6．6．2 管理員用戶界面
6．7 結果與討論
第7章 農田雜草識別
7．1 背景
7．2 行間雜草識別
7．2．1 特征提取
7．2．2 特征參數分析
7．2．3 圖像分割與目標識別
7．2．4 圖像后處理與去噪
7．3 行內雜草識別
7．3．1 識別系統(tǒng)組成
7．3．2 行內雜草識別算法
7．3．3 試驗結果與討論
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別
8．4 名優(yōu)綠茶新梢高度參數測量
8．4．1 測量原理
8．4．2 高度測量和新梢三維重建
8．5 名優(yōu)綠茶采茶應用實例
8．6 大宗茶茶葉分選需求
8．7 茶葉分選識別系統(tǒng)組成
8．7．1 喂料系統(tǒng)
8．7．2 光學檢測系統(tǒng)
8．7．3 分選系統(tǒng)
8．7．4 人機界面系統(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)學處理
8．8．5 幾何特征提取
8．9 大宗茶茶葉分選結果與討論
第9章 樹形識別系統(tǒng)
9．1 背景與設計思路
9．1．1 背景
9．1．2 設計思路
9．2 樹形識別系統(tǒng)組成與圖像獲取
9．2．1 樹形識別系統(tǒng)組成
9．2．2 圖像獲取及圖像分析
9．3 樹木圖像分割方法
9．3．1 基于分形理論與顏色的樹木圖像分割
9．3．2 基于小波理論的樹木圖像分割
9．4 基于BP網絡的樹形識別系統(tǒng)
9．4．1 輸入層
9．4．2 隱含層
9．4．3 輸出層
9．5 試驗及結果分析
9．5．1 樣本及試驗參數
9．5．2 試驗結果分析
第10章 林火視頻識別
10．1 背景與設計思路
10．1．1 背景
10．1．2 設計思路
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 林火視頻火焰識別
10．3．1 疑似火焰視頻特征向量提取
10．3 2火焰視頻識別
lO．4 林火視頻煙霧識別
10．4．1 疑似煙霧視頻特征向量提取
10．4．2 煙霧視頻識別
10．5 結果與討論
10．5．1 森林火焰視頻識別結果與討論
10．5．2 森林煙霧視頻識別結果與討論
第11章 基于CT掃描的原木檢測與識別
11．1 背景與設計思路
11．2 CT成像基本原理
11．3 基于CT掃描的原木薄木刨切計算機模擬
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 試驗結果
11．4 原木CT圖像中木材缺陷的自動識別
11．4．1 試驗材料準備與CT掃描圖像獲取
11．4．2 原木缺陷識別算法
11．4．3 應用實例
11．5 木材含水率檢測技術
11．5．1 測量原理
11．5．2 材料與試驗
11．5．3 結論與分析
11．6 結果與分析
第12章 數字圖像相關技術（DIC）在木材科學中的應用
12．1 背景
12．2 數字圖像相關技術（DIC）測量原理
12．3 數字圖像相關技術應用實例
12．3．1 DIC測量壓縮木的徑向彈性模量
12．3．2 提高木材壓縮應變計算速度的DIC算法改進
12．4 利用DIC測量位移和應變的誤差來源及分析
12．4．1 相關運算算法本身的誤差
12．4．2 試驗設備、操作及環(huán)境的影響
彩圖