第1章 圖像處理技術 001
1.1 數字圖像處理與機器學習 001
1.1.1 圖像 001
1.1.2 數字圖像的分類 002
1.1.3 數字圖像處理 003
1.1.4 數字圖像處理的任務 003
1.1.5 數字圖像處理的主要應用 006
1.1.6 數字圖像處理的發(fā)展 008
1.1.7 機器視覺 008
1.1.8 深度學習 009
1.2 圖像處理技術在農業(yè)中研究應用現狀 011
1.3 圖像處理技術在畜牧業(yè)中研究應用現狀 014
第2章 基于深度神經網絡草莓圖像識別方法 019
2.1 引言 019
2.1.1 研究背景 019
2.1.2 國內外研究現狀 020
2.1.3 系統(tǒng)研究內容 020
2.2 草莓數據集樣本設計 021
2.2.1 數據集標注 022
2.2.2 數據增強 024
2.2.3 格式轉換 024
2.3 目標檢測框架及算法 026
2.3.1 TensorFlow目標檢測 026
2.3.2 模型分析 027
2.4 模型搭建及訓練 031
2.4.1 環(huán)境搭建及測試 031
2.4.2 運行模型 034
2.5 模型效果及分析 036
2.5.1 運行MobileNet-SSD模型進行草莓目標檢測 037
2.5.2 檢測結果分析 039
第3章 基于圖像處理的雞蛋分級系統(tǒng)設計 041
3.1 引言 041
3.1.1 研究背景及意義 041
3.1.2 機器視覺的意義和應用 042
3.1.3 國內外研究現狀及發(fā)展趨勢 043
3.1.4 系統(tǒng)研究內容 045
3.2 雞蛋圖像采集 046
3.2.1 機器視覺系統(tǒng)組成 046
3.2.2 雞蛋圖像采集背景和設備 046
3.3 雞蛋參數提取與分級 049
3.3.1 雞蛋圖像預處理 049
3.3.2 雞蛋的蛋形指數計算 053
3.3.3 雞蛋最大橫切面計算 056
3.4 雞蛋分級的仿真實現 059
3.4.1 圖形用戶界面設計 059
3.4.2 回調函數編寫 060
3.4.3 系統(tǒng)調試 061
第4章 基于機器視覺的蘋果重量評估系統(tǒng)設計 063
4.1 引言 063
4.1.1 研究背景 064
4.1.2 國內外研究現狀 064
4.1.3 基于機器視覺的蘋果重量評估系統(tǒng)組成 065
4.1.4 蘋果果實形態(tài)分析 066
4.2 機器視覺系統(tǒng)硬件選擇 067
4.2.1 攝像頭 067
4.2.2 LED光源 068
4.2.3 圖像標定 069
4.3 圖像預處理 070
4.3.1 圖像灰度化 070
4.3.2 圖像二值化 071
4.3.3 濾波 072
4.3.4 圖像形態(tài)學處理 073
4.4 蘋果外部特征檢測 073
4.4.1 基于顏色的目標蘋果提取 074
4.4.2 蘋果特征參數提取 075
4.5 蘋果重量預測研究 078
4.5.1 蘋果體積參數預測 078
4.5.2 重量預測模型建立 081
第5章 基于機器視覺的蘋果分級系統(tǒng)研究 084
5.1 引言 084
5.1.1 系統(tǒng)研究意義 084
5.1.2 水果分級技術發(fā)展趨勢 085
5.1.3 基本工作原理 085
5.1.4 系統(tǒng)硬件簡介 086
5.2 MATLAB的水果分級系統(tǒng)設計 089
5.2.1 GUI界面設計 089
5.2.2 M文件的函數編程設計 092
5.2.3 用戶登錄系統(tǒng)設計 096
5.3 S7-300 PLC的控制系統(tǒng)設計 097
5.3.1 S7-300 PLC控制系統(tǒng)硬件設計 097
5.3.2 系統(tǒng)軟件設計 098
5.4 WinCC上位機監(jiān)控系統(tǒng)設計 106
5.4.1 WinCC監(jiān)控界面設計 106
5.4.2 WinCC控件與變量連接 111
5.4.3 WinCC與S7-300 PLC的通信實現 113
5.5 MATLAB與WinCC通信實現 114
5.5.1 WinCC的OPC服務器配置 114
5.5.2 MATLAB的OPC客戶端變量配置 115
5.6 系統(tǒng)的調試與運行 117
5.6.1 MATLAB水果圖像處理及其數據傳輸 117
5.6.2 水果分級操作 119
5.6.3 WinCC組態(tài)畫面的實時監(jiān)控 120
第6章 羊毛彎曲度測量圖像處理系統(tǒng)設計 125
6.1 引言 125
6.1.1 研究背景和意義 125
6.1.2 國內外現狀及發(fā)展趨勢 126
6.1.3 研究要求及主要內容 127
6.2 羊毛圖像采集及處理 127
6.2.1 羊毛圖像采集 128
6.2.2 羊毛圖像預處理 129
6.2.3 羊毛圖像形態(tài)處理 133
6.2.4 圖像邊緣檢測 134
6.3 彎曲度的測量實現 135
6.3.1 彎曲度定義 135
6.3.2 數據的檢測 136
6.3.3 彎曲度計算 139
6.4 系統(tǒng)用戶界面設計 139
6.4.1 用戶界面搭建 140
6.4.2 用戶界面的回調 142
6.5 系統(tǒng)測試結果及分析 142
6.5.1 功能測試 142
6.5.2 結果分析 144
第7章 羊毛長度測量圖像處理系統(tǒng)設計 146
7.1 引言 146
7.1.1 研究目的和意義 146
7.1.2 國內外研究現狀與發(fā)展趨勢 146
7.1.3 研究方案 147
7.2 樣本圖像的采集及預處理 148
7.2.1 樣本圖像的采集 148
7.2.2 圖像降噪 150
7.2.3 圖像分割處理 152
7.2.4 圖像的二值化處理 154
7.3 樣本圖像長度的定義及算法 156
7.3.1 長度的定義 156
7.3.2 長度的算法及換算 156
7.4 圖形用戶界面設計 158
7.4.1 圖形用戶界面的搭建 158
7.4.2 程序回調 160
7.5 程序運行及結果分析 160
7.5.1 功能測試 160
7.5.2 長度測量結果分析 162
第8章 雙域分解的復雜環(huán)境下奶牛監(jiān)測圖像增強算法研究 165
8.1 引言 165
8.2 圖像增強概述 167
8.3 奶牛監(jiān)測圖像分析 168
8.4 雙域分解的圖像增強算法 169
8.4.1 雙域濾波模型 170
8.4.2 高頻降噪與增強模型 171
8.4.3 低頻圖像去霧與增強模型 174
8.4.4 算法實現過程 175
8.5 試驗結果與分析 177
8.5.1 試驗測試平臺及參數選取 177
8.5.2 試驗數據分類 177
8.5.3 主客觀評價與分析 177
8.5.4 綜合測試與分析 194
第9章 基于深度學習的奶牛發(fā)情行為識別研究 202
9.1 引言 202
9.2 供試數據 204
9.2.1 視頻樣本獲取 204
9.2.2 視頻處理系統(tǒng)設計 206
9.2.3 樣本數據集構建 207
9.3 深度學習網絡模型 208
9.3.1 卷積神經網絡概述 208
9.3.2 卷積神經網絡結構 209
9.3.3 卷積神經網絡優(yōu)點 211
9.4 奶牛發(fā)情識別CNN模型構建 212
9.5 奶牛發(fā)情行為識別結果及分析 214
9.5.1 試驗測試平臺 214
9.5.2 網絡模型試驗設計 215
9.5.3 特征圖分析 216
9.5.4 識別結果分析 217
第10章 基于機器視覺的奶牛運動目標檢測系統(tǒng)設計 220
10.1 引言 220
10.1.1 研究背景及意義 220
10.1.2 國內外研究現狀 222
10.2 奶牛數據集制備 223
10.2.1 奶牛數據獲取 223
10.2.2 YOLO v5訓練數據集制作 224
10.2.3 目標跟蹤數據集制作 226
10.2.4 視頻標注 227
10.3 目標檢測算法設計 229
10.3.1 YOLO v5算法 229
10.3.2 YOLO v5的改進算法設計 233
10.3.3 DeepSORT算法介紹 237
10.3.4 YOLO v5和DeepSORT結合 238
10.4 目標檢測實驗結果與分析 239
10.4.1 YOLO v5目標檢測改進評估 239
10.4.2 目標跟蹤效果評估 245
第11章 基于機器視覺的牛臉識別系統(tǒng)設計 252
11.1 引言 252
11.1.1 研究意義 252
11.1.2 國內外研究現狀及發(fā)展趨勢 253
11.2 牛臉識別相關技術 255
11.2.1 牛臉圖像預處理技術 255
11.2.2 CNN神經網絡 255
11.3 數據集制作 257
11.3.1 視頻獲取 257
11.3.2 圖片文件獲取 257
11.3.3 標注文件制作 262
11.4 TensorFlow環(huán)境配置 267
11.5 YOLO v4牛臉檢測模型構建 269
11.5.1 運動目標檢測 269
11.5.2 YOLO v4框架結構 271
11.5.3 模型評價指標 274
11.5.4 LOSS損失函數 277
11.5.5 訓練模型參數 279
11.5.6 識別結果 281
參考文獻 284
鄂公網安備 42010302001612號 