一、一种求取物体凹点的算法研究（论文文献综述）
张思炜[1]（2021）在《基于图像特征分析的冰雹检测方法的研究》文中研究表明冰雹灾害每年都会给人民以及国家带来巨大的经济损失,所以准确的识别冰雹灾害对人民财产以及国家设施的保护起着重要的作用。目前,研究学者大多通过对冰雹云的多普勒雷达回波进行分析,从而实现冰雹灾害的预警与识别,但是识别结果还会存在一定的误差。本文提出从图像的角度出发,对降落的冰雹进行检测,将图像处理技术作为雷达检测的后验方法,进一步提高雷达预测识别的精准性。本文对图像检测算法中存在的热点、难点进行了重点的研究,具体的内容如下:首先,介绍了冰雹图片的采集设备、采集方法和采集的环境。然后对采集的冰雹图片进行预处理,来消除可能存在的噪声、光照等因素,在比较了三种彩色图片滤波方法,选择效果最好的距离方向滤波器实现图像的滤波;当光照等因素导致图像效果不佳时,本文选择MSRCR算法来增强图像质量。图像的预处理能够较好增加图像的细节信息,为之后的特征提取做好准备。其次,设计并实现了在D-S理论框架下融合多个特征的冰雹识别方法。对预处理后的图片进行颜色特征和纹理特征的提取,建立支持向量数据描述的分类模型进行识别,实验结果表明,基于单一特征的冰雹识别效果欠佳。利用D-S证据理论将颜色特征与纹理特征进行融合,对冰雹进行识别,对比实验结果表明,基于D-S证据理论的多特征融合方法能有效的提高冰雹的识别率,降低其误识率和拒识率。最后,对图像中的冰雹进行特征参数的测量。本文提出了一种基于HSI色彩空间和分水岭算法的测量方法。该方法对传统的分水岭算法进行改进,改进的分水岭算法首先进行HSI颜色模型的分割,之后利用距离变换和极小值变换消除多余的局部极小值。针对分离后的冰雹颗粒,分别采用统计像素法、Freeman链码和改进的最小外接矩形法来测量冰雹颗粒的面积、周长和直径。实验结果表明,所采用的方法精准度高、相关性较好。
许玉云[2]（2021）在《基于微气囊的柔性触觉传感器阵列及对象识别研究》文中研究指明在智能机器人、康复医疗和人机交互等非结构化环境中,作业环境的触觉感知科学问题,得到了学术界的广泛关注。触觉感知是增强机器人作业自主性,以及其“赋能”的关键技术。触觉传感器作为智能机器人感知外部环境的媒介,是机器人完成智能、精细作业任务时不可缺少的一员,也是实现人机安全交互的关键。触觉传感器蕴含的科学问题,以及其技术的挑战性,吸引了国内外专家持续不断地开展理论研究和技术攻关。本课题围绕触觉传感器感知外部环境的一系列科学技术问题,分析目标表面形貌、目标柔软性等触觉特征,提出构建感知接触分布力的微气囊柔性阵列传感器,探讨触觉传感器的传感机理。运用卷积神经网络和长短期记忆神经网络等深度学习方法,开展了基于微气囊传感器触觉信息的目标接触面形状、静态接触状态和运动状态识别问题研究。具体的研究内容与相关工作如下。（1）触觉特征感知机理研究。从应用场景和任务类型的需求出发,探寻触觉的表达形式。法向接触力Fz信号,经滤波、傅里叶变换等处理后,分别提取Fz信号频域和时域特征,判定操作目标的柔软性;基于目标表面形貌的不同,探测手指操纵目标的接触区域和接触力分布规律,提取接触力分布特征,实现目标表面形貌识别;采用深度学习算法,融合接触力分布特征,实现目标滑移状态判定。（2）微气囊柔性触觉传感器特性研究。运用材料力学和弹性力学理论,采用解析法,系统分析了气囊传感器敏感单元及其阵列的静力学特性,揭示了外载荷与气囊内压间存在线性关系的物理属性,探讨了微气囊结构尺寸对传感器性能的影响,获得了气囊内部直径与传感器灵敏度,气囊壁厚、内部高度与传感器灵敏度极限间的关系。理论研究成果为触觉传感器结构优化和性能提高,提供了坚实的理论依据,具备明显的工程应用价值。（3）微气囊柔性阵列传感器研制。在触觉特征感知和微气囊柔性阵列触觉传感器理论研究的基础上,研制出微气囊柔性阵列触觉传感器。论文详述了微气囊柔性阵列触觉传感器制备工艺及其装配流程,阐述了传感器硬件以及上位机配置,建立了触觉传感器信号采集实验系统,测试了微气囊柔性传感器各项性能指标。测试结果显示,微气囊柔性传感器分辨率不低于0.26%,量程不小于26N,灵敏度优于60.8 hpa/N,非线性度小于3.07%F.S.,迟滞率为9.779%F.S.,传感器具备寿命长和良好重复性等优异性能。（4）基于力触觉信息的目标静态接触状态识别和分类研究。详细研究了不同接触状态下微气囊柔性传感器气压值阵列信号的分布特点。构建了微气囊柔性阵列传感器触觉图像数据集,利用卷积神经网络提取触觉图像的空间特征,解决了目标静态接触状态的分类问题。测试集结果显示,采用卷积神经网络技术,目标静态接触状态分类的准确率,能够达到96%以上。研究结果表明卷积神经网络泛化特征提取功能,能够有效提高操作目标分类的准确度。（5）基于力触觉信息的目标运动状态识别和分类研究。借助微气囊柔性阵列传感器触觉图像序列信息,探讨了不同动态工况下触觉传感器气压值的变化特点,采用卷积-长短时期记忆复合网络结构,提取触觉图像序列的时空特征,解决了目标运动状态识别的问题。实验结果表明,卷积-长短时期记忆复合神经网络模型,动态行为分类的准确率能够达到92%,为提高灵巧手操纵稳定性探明了一条可行的技术路径。本文研究工作的特色和亮点体现在,依据微气囊结构敏感单元的感知机理分析,制备新型微气囊柔性传感器阵列,解决了智能机器人感知的关键技术问题;传感器信息的触觉特征研究,为智能机器人识别和稳定操纵对象奠定了夯实的理论基础;基于深度学习方法,实现目标物与柔性触觉传感器阵列间的静态接触状态和运动状态的有效识别,可进一步提高智能机器人抓取、操纵目标的精度。
武威[3]（2021）在《基于机器视觉技术的稻麦籽粒外观品质评测研究》文中研究说明水稻和小麦是我国主要的粮食作物和重要的商品粮、储备粮,在粮食的生产、流通和消费等环节中,外观品质检测对产品的定等定级具有重要作用。传统低效率、高误差的粮食质量安全检测技术方法已经不能满足现有需求。近年来,新的检测技术迅速发展,正不断取代传统方法。机器视觉技术已被证明在粮食种类识别、籽粒外部特征检测、不完善籽粒分级等方面具有较大优势,不但方便快捷,而且准确度高。本文首先从图像获取设备展开研究,分析了不同设备在谷物籽粒图像获取中的优劣,总结出适宜的籽粒外观图像获取方法;然后利用传统图像分析技术与深度学习算法对籽粒图像进行预处理,解决籽粒的分割与计数问题;在此基础上,研究了稻麦籽粒形态通用检测方法、水稻籽粒外观评测方法、小麦籽粒外观分类方法,实现了基于机器视觉技术的稻麦籽粒形态外观品质评测研究,并讨论了小麦加工品质的估测方法。主要研究结果如下:（1）传统图像分析技术在单一背景条件下具有较好的预处理结果,其中水稻籽粒分割精度高于小麦,籽粒数量增大会增加分割难度,误检率和漏检率均未超过3.5%,运行时间控制在1s以内。深度学习算法在处理复杂背景图像时效果显着,Faster R-CNN模型效果最好,精度高达91%,运行时间在2s以内。对同一目标任务进行测试,结果显示,基于图像特征参数的线性模型准确率可达96%,深度学习模型准确率高达99%,但是在时间成本、训练成本方面,传统图像法优于深度学习法。（2）在稻麦谷物形态特征检测研究中,最小外接矩形法是精度最高的方法,粒长、粒宽和长宽比的测量均值偏差分别在0.15mm、0.10mm和0.08以内,标准误均在0.03 mm以内。基于双目视觉技术的籽粒三维检测结果显示,粒高和粒体积的均值偏差分别在0.10 mm和1.00 mm3以内,可以作为一种有效的籽粒三维形态指标检测方法。（3）对不同饱满程度籽粒成影图像进行处理,计算外切矩形面积的比率（AR）和距离比率（DR）。填充颗粒的AR值通常在4以上,但是未填充颗粒的AR值通常在4以下,填充颗粒的DR值在1.8以上,未填充颗粒的DR值在1.8以下。使用支持向量机（SVM）检测未填充的谷物比使用AR和DR固定的阈值更准确,其中,AR的使用比DR更好。籼稻品种（Indica）的误报率略低于粳稻（Japonica）品种,但籼稻的漏报率略高,漏报率和误报率均未超过5%。利用19个常规水稻品种对神经网络进行训练,识别结果比水漂法高2.08%。在破碎米粒分割上,边缘中心模板比例法（ECMP）不受粒型的影响,对复杂的米粒粘连情况具有同样的分割效果。籼稻和粳稻检测准确率都随着籽粒数量的减少而增加,200粒比100粒下降了 2.71%,总体准确率均在95%以上。采用最小外接矩形法识别整精米精度最高,误报率和漏报率均未超过5%,随着检测米粒数量的增加,籼稻和粳稻品种的检测精度有所下降,平均相对误差在3.21%以内。在垩白识别研究中,利用米粒中垩白部分与其他部分透光能力不同,垩白区的灰度值与其他部分差别较大,可以准确分割垩白区域,但未去完全的胚芽会影响识别的准确率。利用SVM可实现胚芽、背白、腹白、心白的精确区分,对籼米和粳米垩白进行分类,准确率分别为98.5%和97.6%。（4）在小麦外观分类研究中,首先分析不同籽粒在红值（r）、绿值（g）、蓝值（b）、麦粒色（w）、色调（Hu）、饱和度（Sa）、亮度（V）、长（L）、宽（W）、高（H）、体积（Vol）、周长（P）、面积（S）、离心率（C）、能量（ASM）、相关（COR）、熵（ENT）、对比度（CON）、一阶矩（u1）、二阶矩（u2）、三阶矩（u3）等21个图像特征上的差异初步确定适宜参数,利用散点图进一步确认最佳参数,以最佳特征及全参数作为模型输入参数,对7种机器学习算法建模精度进行比较。结果表明,破碎粒与正常粒在纹理特征和形态特征上存在较大差异,最优特征参数为u1、u2、C、L、H、Vol,最优分类模型为全参数构建的逻辑回归（Logistic）模型,准确率均为100%,漏报率均为0%,AUC均为1。空秕粒与正常粒在纹理特征和形态特征上存在较大差异,最优特征参数为ASM、COR、ENT、CON、S、W、H和Vol,最优分类模型为单参数W构建的Logistic模型,准确率均为100%,漏报率均为0%,AUC均为1。杂质与正常粒在颜色、纹理和形态特征上均存在较大差异,最优特征参数为w、Sa、u2和C,最优分类模型为单参数w构建的Logistic模型,准确率分别为98%和100%,漏报率分别为2%和0%,AUC均为1。当混合识别4种类别籽粒时,最优分类模型为全参数构建的SVM模型,空秕粒、杂质、正常粒、破碎粒的准确率分别为100%、98%、98%、94%,漏报率分别为0%、2%、2%、6%,召回率分别为96%、98%、98%、98%,误报率分别为4%、2%、2%、2%,AUC值分别为1、1、1、0.99,说明模型较为可靠。
张志[4]（2020）在《基于机器视觉的雾滴沉积特性检测系统设计及关键技术研究》文中研究表明精准施药、减量增效是实现我国农业绿色发展的重要举措之一。随着我国植保作业机械化程度的提高,机具喷雾作业效果的科学评价,对提高植保机械的作业质量、减少农药使用量具有重要的指导作用。目前,利用机器视觉技术对喷雾质量检测是一种技术发展趋势,但是存在对粘连雾滴识别精度不高、分割效果较差,导致的检测精度较低等问题。本文基于机器视觉研制了一套便携、检测精度高、操作简单的雾滴沉积特性检测系统,并对粘连雾滴的识别和分割等关键技术进行研究。解决了传统喷雾检测方法中检测仪器价格昂贵、操作复杂、检测精度不高等问题,对实现喷雾质量的快速检测具有实际意义。论文的研究内容主要包括以下五个方面:（1）雾滴沉积特性检测装置研制,主要包括硬件平台搭建和软件系统设计。为保证在整机结构尺寸合适的条件下获取整张水敏纸图像,设计图像滑动采集模块;利用3D打印技术制作关键零部件,对硬件系统组装成型;完成控制系统和图形界面设计。（2）样本采集和图像预处理。设计不同角度的水敏纸托板,以获取喷雾雾滴滴落在水敏纸表面的各种形态,通过植保设备的喷雾作业完成水敏纸样本采集,为后续图像预处理、粘连雾滴分割等工作提供分析样本;为提高在图像预处理过程中雾滴区域提取的准确性,降低光照不均匀等因素的干扰,对比全局阈值分割、分块阈值分割和动态阈值分割对雾滴图像提取的结果;确定水敏纸图像预处理的方法。（3）雾滴分类模型建立。对不同类型雾滴图像的形状参数进行统计分析,结果表明单一参数对雾滴分类的准确性较低;为提高对粘连雾滴和非粘连雾滴识别的准确性,基于机器学习分别建立了K近邻、逻辑回归、决策树、支持向量机雾滴识别模型;通过对不同模型进行对比分析,四种雾滴识别模型的预测精度分别为0.94、0.98、0.95、0.97,选用最优的逻辑回归雾滴识别模型作为粘连雾滴识别和分割是否准确的评价准则。（4）粘连雾滴分割算法的设计。为解决传统分水岭分割算法在粘连雾滴分割过程中存在的欠分割和过分割问题,基于建立的雾滴识别模型对分水岭分割算法进行改进;提取水敏纸图像中的粘连雾滴,通过对粘连雾滴图像进行迭代距离变换处理,获取分割标记种子点图像,并完成对粘连雾滴图像的分割,通过对比分割结果优于传统分水岭分割方法。（5）系统性能试验验证。分别进行雾滴沉积分布检测试验、雾滴粒径分布检测试验和现场试验。通过对比分析本文提出的检测系统雾滴覆盖率的检测结果较Deposit Scan雾滴分析软件、大疆雾滴分析仪检测准确度提高了4.97%和11.29%,通过与人工计数的检测结果进行对比雾滴覆盖密度的检测结果平均误差为3.69%,通过与激光粒度仪的检测结果进行对比雾滴粒径检测结果的平均误差为8.05%,体积中径的平均误差为6.51%。
朱大庆[5]（2020）在《基于深度学习的砂石图像粒径检测》文中提出随着土木工程产业的快速发展,国内外各类建筑行业对混凝土的需求量不断提高,作为混凝土主要成分之一的砂石需求量也随之增多。不同应用中使用的混凝土对砂石颗粒大小的要求各不相同。如何智能化的检测砂石粒径大小,提升土木工程行业的生产效率是亟待解决的研究问题。从图像处理角度出发,本文在分析传统方法检测粒径大小存在问题的基础上,根据砂石颗粒紧密粘连且相互遮挡的特点,提出了一种基于两阶段深度学习的砂石图像粒径检测的方法。在第一阶段,构建了一个砂石分割网络模型,用于将砂石目标与无效背景初步分割。模型基于全卷积网络搭建而成,使用多层卷积网络进行砂石图像的特征提取,经过腐蚀膨胀、形态学操作处理后获得初次分割结果,此为分割阶段。在第二阶段,使用了与分割模型相似的分离网络模型,用于将紧密粘连且相互遮挡的砂石目标相互分离开,得到每个独立的砂石目标,此为分离阶段。在砂石分离后,使用了砂石目标最长径作为砂石的粒径大小,按比例去掉无效值后求均值得到了砂石图像的平均粒径大小。通过实验证明,我们的方法可以快速、准确的获得砂石目标的平均粒径大小。在砂石图像分割能力方面,与其他现有的分割算法相比,我们的方法能够准确有效的将紧密粘连的砂石目标分割开来,提高了砂石目标粒径大小计算精度。
白云飞,杨梦磊,张翔,林建[6]（2020）在《多蜜蜂重叠图像的凹点匹配分割算法》文中提出针对蜜蜂在巢脾上以不同方式发生重叠的情况,提出一种先匹配凹陷区域再识别对应凹点对的分割方法。考虑到蜜蜂的颜色特征,在HSV空间内,利用OSTU算法对V分量处理得到分割阙值T,将蜜蜂个体从巢脾背景中分割出来。根据得到的蜜蜂个体图像特征,利用形态学方法除去足和触角,获得仅含躯干部分的重叠二值图像。使用孔洞填充和小面积去除法除去孔洞和噪声。根据凹点数和蜜蜂的数量关系,判断蜜蜂重叠状态。串联条件下,先进行内外凹区域的匹配,再搜寻对应凹点对,完成重叠蜜蜂的分割。并联条件下,由于不存在内凹陷区域,不用进行凹陷区域匹配,求取重叠区域中心坐标与各个凹陷区域上点的欧氏距离最小值,最小值对应的点即为到凹点。在MATLAB环境下,对由74只蜜蜂个体组成的含有6种重叠状态的16组重叠个体进行分离试验,分离重叠个体的成功率达到93.75%。利用凹点匹配在单目视觉下可以实现对多重叠状态的蜜蜂个体进行分离的目的。
张文飞[7]（2020）在《无序粘连物体机器人视觉分拣系统研究》文中提出机器人视觉分拣系统是一种将机器人技术与视觉识别定位技术融合在一起的智能化分拣技术,是传统生产向智能化生产转变的关键技术之一。机器人在分拣过程中,目标物体无序放置以及不同程度的粘连性问题,给精确分拣带来了很大的干扰。因此,不同粘连程度的目标物体准确而快速地分割出来,是目前机器人视觉领域研究的热点问题之一。本文设计了一种机器人视觉分拣系统来完成对无序粘连物体的快速分拣任务,着重解决无序粘连物体不易精确分拣的问题,主要进行了以下研究工作:机器人视觉分拣系统设计。主要包括视觉分拣系统的总体方案设计、视觉分拣硬件系统以及软件系统的设计。视觉分割算法研究。提出了一种改进的分水岭分割算法来解决分割粘连物体时出现的过分割和欠分割问题。在传统分水岭分割算法的基础上增加了预处理方法,包括递归双边滤波、前景提取、距离变换、连通区域分析等方法,精准地从粘连物体中分割出各个目标物体。对粘连物体点云滤波、法向量估计进行研究,利用COMATRIX相机的二维图像与三维点云的1:1映射关系,通过近邻搜索算法找到粘连物体中心的目标点云。Eye-in-hand手眼标定。在机器人工具坐标系,用户坐标系以及相机坐标系标定的基础上进行eye-in-hand手眼标定,得到相机坐标系相对于机器人基坐标系的位姿变换矩阵,将视觉算法处理粘连物体图像得到的粘连物体中心的目标点云转换到基坐标系下的空间坐标。无序粘连物体分拣实验与实验结果分析。本文通过无序粘连物体分拣系统的研究及实验验证,解决了无序粘连物体不易精确分拣的问题,为工业生产线上精准快速分拣粘连物体提供了技术支持。
张中豪[8]（2020）在《微流控芯片内细胞识别与计数方法研究》文中研究表明细胞计数在生物学、医学等诸多领域中发挥着重要作用,但是由于样品中细胞数量较多,人工计数不仅费时费力,而且结果具有主观性。为了能快速、准确地统计出结果,有必要开发自动化细胞计数方法。微流控系统能够操作体积非常微小的细胞样品和试剂,可较好地实现细胞分离,有助于后续统计分析。在过去的几年里,大量基于微流控芯片的实验设备被提出用于细胞识别和计数。为获得准确的统计结果,基于图像的方法被应用于微流控芯片内细胞计数,然而,现有的图像识别的方法大多限定于固定区域的细胞识别与计数,由于固定区域背景单一,因而只需要简单的方法或网络即可实现细胞计数。当这些方法应用到非固定区域细胞计数时,效果会下降,另外,外界环境的干扰以及图像质量的下降进一步加剧了细胞计数的困难。针对上述问题,本文利用图像处理、机器视觉等技术对微流控芯片内的细胞显微图像进行自动分析,提供准确的统计结果。具体工作开展如下:首先,本文对微流控芯片内细胞图像进行了预处理以提升图像质量。基于Pearson系数与网格搜索,对显微图像的径向畸变系数进行了求解,畸变校正后直线度达到了 0.008,与现有方法相比提升了 1 1%,校正效果良好:使用图像配准、图像融合等技术手段实现了图像缝合;利用卷积神经网络实现了显微图像的去散焦模糊,实验结果表明,去散焦模糊部分能够扩大后续细胞识别算法的适用范围,有效避免散焦对细胞与流道识别效果的影响。其次,本文利用UNet++神经网络识别细胞与流道。通过组合交叉熵与Dice loss损失函数解决了前景与后景不平衡问题,通过结合明暗场信息进一步提升了细胞与流道的识别效果。实验结果表明,细胞与流道识别的交并比指标分别达到了 0.7981与0.8998,细胞识别的精度与召回率分别达到了 0.95与0.97,其中,细胞识别精度与现有方法相比提升了 14.45%。最后,本文提出了一种简单有效的接触细胞分割算法。根据接触细胞特点,对凸包缺陷检测算法作了改进,并用其检测凹点,其检测结果与使用多边形近似、Harris角点检测等方法相比,不易受边界噪声的影响,具有更好的鲁棒性;根据细胞近似圆形这一特点,本文设计了基于紧凑度的凹点匹配原则,并使用这一原则确定了凹点对;基于凹点检测与凹点匹配设计了分割算法,实验结果表明,所提出的分割算法能达到90%的正确率,与两项现有工作相比,分别提升了 13.72%与 13.24%。本文利用图像处理、机器视觉等技术手段实现了准确的细胞计数,统计结果正确率达到了90%以上,满足实验计数要求。本文所提方法可以为后续细胞分析提供客观的数据基础,并为研究人员改善显微图像的质量,具有较高参考价值。
刘建华[9]（2020）在《基于最小二乘支持向量机的机场道面积冰厚度预测》文中认为针对机场道面积冰厚度预测问题,建立了降雨过程中的热量平衡模型,分析在空气温度、湿度、风速、降雨量四个气象因素与道面材料影响下的道面积冰生长规律。根据正交实验表进行实验方案设计,采取实验数据,用最小二乘支持向量机的方法对道面积冰厚度进行预测。论文的主要研究内容如下:（1）分析道面积冰与周围大气环境、道面介质材料之间的热量损耗和传递,基于能量守恒建立积冰过程能量平衡方程求解冻结系数;根据水滴运动轨迹计算控制体内积冰质量;采用欧拉两相流模型计算道面水滴碰撞系数。对道面积冰生长模型进行数值模拟,分析气象因子对道面积冰增长的影响。（2）针对机场道面积冰冰厚的问题,建立了粒子群算法对最小二乘支持向量机参数寻优的机场道面积冰预测模型,在粒子群算法中引入了新的学习因子参数寻优的范围并加入了线性递减的惯性权值。由影响道面积冰的气象因子数据与积冰厚度数据相结合组成积冰预测向量,根据建立的积冰预测模型对道面积冰厚度进行预测。（3）搭建道面模拟实验平台,模拟并控制气象因子变化范围进行实验,根据实验结果得出影响道面积冰影响因子的主次顺序。根据实验采集的数据对建立的道面积冰生长模型和PSO-LS-SVM预测模型进行准确率验证。并进行室外道面积冰实时预测实验,检验模型的有效性。
肖璇璐[10]（2020）在《宫颈涂片病理细胞辅助判读技术的研究》文中指出随着我国经济水平的高速增长,国家和个人更多地关心民生健康的发展,宫颈癌作为威胁女性健康甚至生命的恶性肿瘤之一,自然受到广泛关注。临床上比较常见的一种宫颈癌方法就是宫颈涂片检查,即宫颈细胞学检查,其弊端在于诊断结果过分依赖医学工作者的个人判断、医患比例不均和诊断效率低下等。基于此,研究通过自动化手段辅助完成宫颈病理细胞的判读工作,能够更及时地发现宫颈癌前期病变,从而提高医学工作者的诊断效率和诊断正确性。本次研究的对象为宫颈病理细胞,由于宫颈涂片的采样、制片等过程带来的干扰,使病理细胞图像存在干扰项和细胞差异,故针对不同的细胞形态进行研究,包括宫颈涂片样本的采集和细胞图像预处理、细胞图像的分割、特征提取和病理细胞的识别等方面。其主要研究工作包括:第一,采集宫颈涂片在显微镜下的病理细胞,完成图像预处理,包括灰度化、图像去噪、图像增强和图像锐化等操作。第二,对比四种细胞分割技术的原理和分割效果,根据图像灰度特性,采用基于Otsu的阈值方法提取图像细胞核区域,利用超像素分割方法SLIC和改进的带标记的分水岭方法提取细胞体区域,最后针对粘连和重叠的复杂图像情况采用改进的凹点检测算法完成细胞质的分离。第三,基于图像的特征提取技术,研究并提取了宫颈细胞图像的形态学、色度等特征,并且根据特征的内部联系,得到细胞区域的核质比和偏心率特征,提取复杂的纹理特征如基于GLCM的特征和LBP相关特征,利用信息增益方法对特征进行筛选,选择更有效的多维特征作为特征集合用于分类研究。第四,针对宫颈细胞图像的分类识别技术,本文研究了 BP神经网络,包括参数设计、激活函数选择和改进方法,对比调参过程中的损失函数曲线,选择初始学习率为0.065进行训练,对网络连接权值进行调整,最终得到分类识别的平均识别率为91.4%,并通过CUDA加速将每种类别的平均检测时间降至1s左右。
二、一种求取物体凹点的算法研究（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、一种求取物体凹点的算法研究（论文提纲范文）
（1）基于图像特征分析的冰雹检测方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 目标检测算法研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 粘连物体分离算法研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文研究的主要内容 |
| 1.5 论文结构安排 |
| 第二章 冰雹图像预处理 |
| 2.1 冰雹图像采集 |
| 2.2 图像平滑去噪处理 |
| 2.3 图像增强处理 |
| 2.4 图像锐化处理 |
| 2.5 颜色空间转换 |
| 2.6 本章小结 |
| 第三章 冰雹图像特征提取 |
| 3.1 冰雹图像颜色特征提取 |
| 3.1.1 颜色直方图 |
| 3.1.2 颜色矩 |
| 3.1.3 颜色特征提取和分析 |
| 3.2 冰雹图像纹理特征提取 |
| 3.2.1 灰度共生矩阵 |
| 3.2.2 分形维数 |
| 3.2.3 纹理特征提取与分析 |
| 3.3 本章小结 |
| 第四章 多特征融合的冰雹检测算法 |
| 4.1 机器学习分类方法 |
| 4.1.1 支持向量机 |
| 4.1.2 支持向量数据描述 |
| 4.1.3 分类方法的选择 |
| 4.2 D-S证据理论 |
| 4.2.1 识别框架 |
| 4.2.2 基本概率分配函数 |
| 4.2.3 信任函数和似然函数 |
| 4.2.4 D-S证据理论融合规则 |
| 4.3 多特征融合的冰雹检测算法 |
| 4.3.1 多特征融合分类方法 |
| 4.3.2 基本信任分配函数 |
| 4.3.3 分类决策规则 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于HSI色彩空间和分水岭算法的冰雹特征参数测量 |
| 5.1 分水岭分割算法 |
| 5.1.1 分水岭算法的基本概念 |
| 5.1.2 分水岭算法的数学描述 |
| 5.1.3 分水岭算法的过分割问题 |
| 5.2 改进的分水岭算法 |
| 5.2.1 HSI模型分割 |
| 5.2.2 形态学图像去噪处理 |
| 5.2.3 距离变换 |
| 5.2.4 h-minima变换 |
| 5.3 冰雹的特征参数提取 |
| 5.3.1 冰雹颗粒的面积测量 |
| 5.3.2 冰雹颗粒的周长测量 |
| 5.3.3 冰雹颗粒的直径测量 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间发表论文 |
| 攻读硕士学位期间参与项目情况 |
（2）基于微气囊的柔性触觉传感器阵列及对象识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 触觉传感器研究现状 |
| 1.2.1 柔性触觉传感器的应用 |
| 1.2.2 触觉传感器敏感单元的主要感知类型 |
| 1.2.3 触觉传感器的性能指标和设计优化 |
| 1.2.4 触觉传感器在机械手上的集成 |
| 1.3 论文主要研究内容 |
| 1.4 论文结构安排 |
| 第2章 触觉传感器触觉特征感知原理 |
| 2.1 触觉特征类型概述 |
| 2.1.1 触觉特征类型 |
| 2.1.2 触觉特征需求 |
| 2.2 柔软度感知机理 |
| 2.2.1 柔软度检测方法概述 |
| 2.2.2 手指接触模型 |
| 2.2.3 手指与目标接触模型 |
| 2.2.4 手指与目标接触系统频域分析 |
| 2.3 接触点形貌感知机理 |
| 2.3.1 基于视觉信息感知目标接触点形貌 |
| 2.3.2 基于振动信息感知目标接触点形貌 |
| 2.3.3 基于接触分布力信号感知目标形貌 |
| 2.4 滑移特征感知机理 |
| 2.5 本章小结 |
| 第3章 新型微气囊柔性阵列触觉传感器的设计 |
| 3.1 基于气囊型结构柔性阵列触觉传感器的传感机理研究 |
| 3.1.1 传感器敏感元件的工作原理 |
| 3.1.2 气囊型阵列传感器的传感机理理论分析 |
| 3.2 新型气囊柔性阵列触觉传感器的设计 |
| 3.2.1 新型气囊型感知柔性阵列触觉传感器结构设计 |
| 3.2.2 新型气囊型柔性触觉传感器的制备 |
| 3.3 新型气囊型柔性阵列触觉传感器信号采集系统设计 |
| 3.3.1 硬件系统 |
| 3.3.2 基于Labview的上位机设计 |
| 3.4 新型气囊型柔性触觉传感器的性能 |
| 3.5 本章小结 |
| 第4章 基于柔性阵列传感器的目标信息感知 |
| 4.1 传感器触觉图像预处理 |
| 4.1.1 去除噪声信息 |
| 4.1.2 图像放大 |
| 4.2 目标信息感知 |
| 4.2.1 目标接触面形状 |
| 4.2.2 目标重量 |
| 4.3 本章小结 |
| 第5章 基于柔性气囊阵列传感器的目标动作识别 |
| 5.1 基于卷积神经网络的静态动作识别 |
| 5.1.1 卷积神经网络简介 |
| 5.1.2 卷积神经网络结构 |
| 5.1.3 卷积神经网络训练 |
| 5.1.4 目标静态动作分析 |
| 5.1.5 建立气囊式柔性传感器数据集 |
| 5.1.6 数据集预处理和网络模型介绍 |
| 5.1.7 实验结果分析 |
| 5.1.8 卷积神经网络参数的设置 |
| 5.2 基于CNN-LSTM的动态行为识别 |
| 5.2.1 LSTM网络简介 |
| 5.2.2 CNN-LSTM网络模型 |
| 5.2.3 目标动态行为分析 |
| 5.2.4 获取阵列式传感器的触觉序列数据集 |
| 5.2.5 实验结果分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（3）基于机器视觉技术的稻麦籽粒外观品质评测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 中英文对照和符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 水稻籽粒外观品质研究进展 |
| 1.2.1 粒形 |
| 1.2.2 透明度 |
| 1.2.3 垩白 |
| 1.2.4 整精米 |
| 1.3 小麦籽粒外观品质研究进展 |
| 1.3.1 粒形 |
| 1.3.2 不完善粒 |
| 1.4 图像分析技术研究进展 |
| 1.4.1 图像分析技术概况 |
| 1.4.2 图像分析技术在农业上的应用 |
| 1.5 深度学习技术及其在农业上的应用 |
| 1.5.1 数据集介绍 |
| 1.5.2 骨干网络 |
| 1.5.3 检测器 |
| 1.5.4 深度学习框架 |
| 1.5.5 深度学习在农业上的应用 |
| 1.6 机器学习技术及其在农业上的应用 |
| 1.6.1 朴素的贝叶斯 |
| 1.6.2 判别分析 |
| 1.6.3 K最近邻 |
| 1.6.4 支持向量机 |
| 1.6.5 其他机器学习算法 |
| 1.7 籽粒外观快速检测研究进展 |
| 1.7.1 分类分级 |
| 1.7.2 杂质鉴别 |
| 1.7.3 病虫害鉴别 |
| 1.8 研究目的与技术路线 |
| 1.8.1 研究目的与意义 |
| 1.8.2 技术路线 |
| 第二章 图像获取设备及方法 |
| 2.1 基于数码相机的图像获取设备及方法 |
| 2.2 基于扫描仪的图像获取技术 |
| 2.3 基于智能手机的图像获取技术 |
| 2.4 基于双目视觉的图像获取技术 |
| 2.5 小结 |
| 第三章 图像预处理及分割技术 |
| 3.1 基于图像分析技术的籽粒图像处理 |
| 3.1.1 试验材料 |
| 3.1.2 图像处理 |
| 3.1.3 评测方法 |
| 3.1.4 籽粒分割准确率 |
| 3.1.5 程序运行效率 |
| 3.2 基于深度学习算法的籽粒图像处理 |
| 3.2.1 材料与方法 |
| 3.2.2 网络模型 |
| 3.2.3 评估方法 |
| 3.2.4 模型训练与验证结果 |
| 3.2.5 籽粒计数精度 |
| 3.2.6 运行效率 |
| 3.3 图像分析技术与深度学习算法的比较 |
| 3.3.1 试验设计及图像获取 |
| 3.3.2 图像处理 |
| 3.3.3 评估方法 |
| 3.3.4 不同处理人工校验比较 |
| 3.3.5 线性模型分析 |
| 3.3.6 深度学习模型精度 |
| 3.3.7 讨论 |
| 3.4 小结 |
| 第四章 稻麦籽粒形态特征快速检测 |
| 4.1 材料与方法 |
| 4.1.1 试验地点与材料 |
| 4.1.2 图像获取 |
| 4.1.3 测定项目 |
| 4.1.4 图像预处理 |
| 4.1.5 形态特征检测方法 |
| 4.1.6 统计作图软件 |
| 4.2 不同算法检测效果 |
| 4.3 二维形态特征检测精度 |
| 4.3.1 长度检测精度 |
| 4.3.2 宽 |
| 4.3.3 长宽比 |
| 4.4 三维形态特征检测精度 |
| 4.5 扬麦系列品种在形态特征上的发展概况 |
| 4.5.1 在粒长上的发展方向 |
| 4.5.2 在粒宽上的发展方向 |
| 4.5.3 在粒高上的发展方向 |
| 4.5.4 在粒形上的发展方向 |
| 4.5.5 在粒体积上的发展方向 |
| 4.6 小结 |
| 第五章 水稻籽粒外观品质评测研究 |
| 5.1 水稻空秕粒检测方法 |
| 5.1.1 材料准备 |
| 5.1.2 图像处理 |
| 5.1.3 籽粒及影子特征计算 |
| 5.1.4 籽粒及其阴影的特征分析 |
| 5.1.5 籽粒分类 |
| 5.1.6 特征值比较 |
| 5.1.7 单个特征值的测量结果 |
| 5.1.8 SVM测量结果 |
| 5.1.9 测量效率 |
| 5.2 水稻整精米率检测方法 |
| 5.2.1 实验设备及流程 |
| 5.2.2 图像预处理 |
| 5.2.3 凹点检测 |
| 5.2.4 凹点匹配 |
| 5.2.5 计算粒长 |
| 5.2.6 计算整精米率 |
| 5.2.7 设备精度 |
| 5.2.8 分割结果 |
| 5.2.9 整精米识别 |
| 5.2.10 整精米率精度 |
| 5.3 水稻垩白检测方法 |
| 5.3.1 试验设备及材料 |
| 5.3.2 粘连米粒分割 |
| 5.3.3 垩白信息检测 |
| 5.3.4 垩白位置确定 |
| 5.3.5 垩白分类结果 |
| 5.4 小结 |
| 第六章 小麦籽粒外观品质评测研究 |
| 6.1 材料与方法 |
| 6.1.1 试验材料 |
| 6.1.2 籽粒图像获取方法 |
| 6.1.3 图像特征参数提取 |
| 6.1.4 机器学习模型算法 |
| 6.1.5 数据处理及作图软件 |
| 6.2 特征差异性分析 |
| 6.3 破碎粒识别 |
| 6.3.1 特征值比较 |
| 6.3.2 精度比较 |
| 6.3.3 最优模型评估 |
| 6.4 空秕粒识别 |
| 6.4.1 特征值比较 |
| 6.4.2 精度比较 |
| 6.4.3 最优模型评估 |
| 6.5 杂质识别 |
| 6.5.1 特征值比较 |
| 6.5.2 精度比较 |
| 6.5.3 最优模型评估 |
| 6.6 混合识别 |
| 6.6.1 特征值比较 |
| 6.6.2 精度比较 |
| 6.6.3 最优模型评估 |
| 6.7 小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 讨论 |
| 7.2.1 稻麦籽粒的共性与特性 |
| 7.2.2 谷物外观检测工具的形式 |
| 7.2.3 不同方法准确率的比较 |
| 7.2.4 不同方法运行效率的比较 |
| 7.2.5 深度学习的优势 |
| 7.2.6 外观品质检测 |
| 7.3 本研究创新点 |
| 7.4 存在问题 |
| 7.5 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（4）基于机器视觉的雾滴沉积特性检测系统设计及关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 雾滴沉积特性检测研究现状 |
| 1.2.1 国外雾滴沉积特性检测研究现状 |
| 1.2.2 国内雾滴沉积特性检测研究现状 |
| 1.3 粘连物体图像分割研究现状 |
| 1.4 研究内容 |
| 1.5 技术路线 |
| 第二章 雾滴沉积特性检测装置设计 |
| 2.1 设计要求和总体设计方案 |
| 2.2 硬件系统设计 |
| 2.2.1 数据处理与控制模块选型 |
| 2.2.2 图像滑动采集模块选型与设计 |
| 2.2.3 补光模块选型与设计 |
| 2.2.4 其他部件选型与设计 |
| 2.2.5 3D打印及系统组装 |
| 2.3 软件系统设计 |
| 2.3.1 软件系统相关开发工具 |
| 2.3.2 图像采集系统控制 |
| 2.3.3 雾滴沉积特性检测算法设计 |
| 2.3.4 用户图形界面设计 |
| 2.4 本章小结 |
| 第三章 雾滴图像样本采集和预处理 |
| 3.1 雾滴图像样本采集试验 |
| 3.1.1 试验材料和设备 |
| 3.1.2 试验方法 |
| 3.2 图像预处理 |
| 3.2.1 图像拼接 |
| 3.2.2 水敏纸图像区域选取 |
| 3.2.3 图像增强 |
| 3.2.4 图像灰度化 |
| 3.2.5 图像二值化 |
| 3.2.6 孔洞填充 |
| 3.2.7 形态学处理 |
| 3.3 本章小结 |
| 第四章 粘连雾滴分割算法设计 |
| 4.1 雾滴轮廓形状参数选取与分析 |
| 4.1.1 雾滴轮廓形状参数 |
| 4.1.2 雾滴形状参数统计与分析 |
| 4.2 雾滴类型识别模型建立 |
| 4.2.1 识别模型的选择与建立 |
| 4.2.2 识别模型的对比与分析 |
| 4.3 粘连雾滴分割算法 |
| 4.3.1 分水岭分割算法 |
| 4.3.2 粘连雾滴分割算法设计 |
| 4.4 本章小结 |
| 第五章 雾滴沉积特性检测系统性能验证 |
| 5.1 系统尺寸标定试验 |
| 5.1.1 试验方法 |
| 5.1.2 试验结果 |
| 5.2 雾滴分布均匀性检测试验 |
| 5.2.1 试验材料和设备 |
| 5.2.2 试验方法 |
| 5.2.3 试验结果 |
| 5.3 雾滴粒径分布检测试验 |
| 5.3.1 试验方法 |
| 5.3.2 试验结果 |
| 5.4 现场试验验证 |
| 5.4.1 试验方法 |
| 5.4.2 试验结果 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| ABSTRACT |
| 硕士研究生期间研究成果 |
（5）基于深度学习的砂石图像粒径检测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 2 传统的图像分割方法 |
| 2.1 引言 |
| 2.2 分水岭分割方法 |
| 2.2.1 基本原理 |
| 2.2.2 改进的分水岭分割法 |
| 2.2.3 实验与分析 |
| 2.3 基于形态学的砂石分割方法 |
| 2.3.1 基本原理 |
| 2.3.2 实验与分析 |
| 2.4 本章小结 |
| 3 基于深度学习的砂石图像分割方法 |
| 3.1 引言 |
| 3.2 深度学习网络结构简介 |
| 3.2.1 卷积与池化 |
| 3.2.2 激活函数 |
| 3.2.3 损失函数与代价函数 |
| 3.3 FCN模型简介 |
| 3.3.1 基本原理 |
| 3.3.2 实验与分析 |
| 3.4 U-NET模型简介 |
| 3.4.1 基本原理 |
| 3.4.2 实验与分析 |
| 3.5 本章小节 |
| 4 基于两阶段深度学习的砂石图像分割方法 |
| 4.1 引言 |
| 4.2 方法过程总述 |
| 4.3 砂石目标分割 |
| 4.3.1 分割模型 |
| 4.3.2 形态学操作 |
| 4.4 砂石粘连分离 |
| 4.4.1 分离模型 |
| 4.4.2 凹点匹配 |
| 4.5 实验及结果分析 |
| 4.6 本章小节 |
| 5 砂石粒径计算方法 |
| 5.1 引言 |
| 5.2 砂石图像最长径计算 |
| 5.3 砂石粒径大小单位转换 |
| 5.4 实验及结果分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）多蜜蜂重叠图像的凹点匹配分割算法（论文提纲范文）
| 0 引言 |
| 1 材料与方法 |
| 1.1 颜色特征选取 |
| 1.2 待分割蜜蜂个体的获取 |
| 1.3 获取凹点区域 |
| 1.4 凹点对的区域匹配原则 |
| 1.4.1 串联方式凹点对匹配算法 |
| 1.4.2 并联方式凹点对匹配算法 |
| 2 试验与分析 |
| 2.1 多重叠状态下的蜜蜂个体分离试验过程 |
| 2.2 试验结果及分析 |
| 3 结论 |
（7）无序粘连物体机器人视觉分拣系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器人视觉系统研究现状 |
| 1.2.2 粘连物体图像分割技术研究现状 |
| 1.3 课题的主要研究内容 |
| 第2章 机器人视觉分拣系统设计 |
| 2.1 视觉分拣系统总体方案设计 |
| 2.2 视觉分拣硬件系统 |
| 2.2.1 UR5机器人 |
| 2.2.2 COMATRIX深度相机 |
| 2.2.3 改进的电动夹爪 |
| 2.3 视觉分拣软件系统 |
| 2.4 本章小结 |
| 第3章 粘连物体视觉算法研究 |
| 3.1 选取研究对象 |
| 3.2 粘连物体RGB图像和点云图的采集 |
| 3.3 改进的分水岭分割算法 |
| 3.3.1 改进的分水岭分割算法实现流程 |
| 3.3.2 递归双边滤波 |
| 3.3.3 结合形态学运算前景提取 |
| 3.3.4 距离变换 |
| 3.3.5 利用连通区域分析制作分水岭掩膜标记 |
| 3.3.6 改进分水岭算法分割结果 |
| 3.4 点云图处理方法 |
| 3.4.1 点云滤波 |
| 3.4.2 点云法向量求解方法 |
| 3.4.3 带法向量的目标点云搜索方法 |
| 3.5 本章小结 |
| 第4章 机器人手眼标定 |
| 4.1 工具坐标系标定 |
| 4.1.1 四点法工具标定原理 |
| 4.1.2 标定枪工具标定 |
| 4.2 用户坐标系标定 |
| 4.3 相机坐标系标定 |
| 4.3.1 相机成像的原理 |
| 4.3.2 相机镜头畸变 |
| 4.3.3 相机坐标系标定 |
| 4.3.4 COMATRIX相机标定过程 |
| 4.4 Eye-in-hand手眼标定 |
| 4.4.1 传统手眼标定 |
| 4.4.2 COMATRIX相机手眼标定 |
| 4.4.3 手眼标定结果验证 |
| 4.5 本章小结 |
| 第5章 无序粘连物体视觉分拣实验研究 |
| 5.1 机器人视觉分拣系统实验平台 |
| 5.2 无序粘连物体分拣过程设计 |
| 5.3 粘连物体视觉分割定位算法实验 |
| 5.3.1 实验结果 |
| 5.3.2 实验结果分析 |
| 5.4 机器人无序分拣实验 |
| 5.4.1 实验结果 |
| 5.4.2 实验结果分析 |
| 5.5 误差分析与实验总结 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 课题研究总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（8）微流控芯片内细胞识别与计数方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 基于阻抗法的微流控芯片内细胞计数 |
| 1.2.2 基于光电法的微流控芯片内细胞计数 |
| 1.2.3 基于图像法的微流控芯片内细胞计数 |
| 1.3 研究内容与章节安排 |
| 第二章 细胞显微图像采集与预处理 |
| 2.1 显微图像的采集及分析 |
| 2.1.1 图像采集系统 |
| 2.1.2 显微图像特点分析 |
| 2.2 图像预处理 |
| 2.2.1 去畸变 |
| 2.2.2 图像缝合 |
| 2.2.3 去散焦模糊 |
| 2.3 小结 |
| 第三章 基于神经网络的细胞与流道识别 |
| 3.1 图像识别神经网络 |
| 3.1.1 网络结构 |
| 3.1.2 损失函数 |
| 3.2 结合明暗场信息的细胞与流道识别 |
| 3.2.1 荧光图片压缩 |
| 3.2.2 细胞与流道识别 |
| 3.3 实例验证与结果分析 |
| 3.3.1 不同输入下的识别效果 |
| 3.3.2 对比实验 |
| 3.4 小结 |
| 第四章 接触细胞分割 |
| 4.1 算法流程 |
| 4.2 凹点检测 |
| 4.3 凹点匹配 |
| 4.3.1 确定候选匹配点 |
| 4.3.2 凹点匹配原则 |
| 4.4 实例验证与结果分析 |
| 4.5 小结 |
| 第五章 总结和展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的成果 |
| 攻读硕士学位期间参与的项目 |
| 学位论文评阅及答辩情况表 |
（9）基于最小二乘支持向量机的机场道面积冰厚度预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 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 积冰机理研究现状 |
| 1.2.2 积冰预测研究现状 |
| 1.2.3 积冰探测技术研究现状 |
| 1.3 论文研究内容与结构安排 |
| 第二章 道面积冰机理分析 |
| 2.1 道面积冰类型分析 |
| 2.1.1 道面积冰物理特性 |
| 2.1.2 道面积冰形成原因 |
| 2.2 道面积冰过程分析 |
| 2.2.1 道面积冰传热过程 |
| 2.2.2 道面积冰传质过程 |
| 2.3 本章小结 |
| 第三章 道面积冰生长模型求解与数值模拟 |
| 3.1 水滴碰撞系数求解 |
| 3.1.1 碰撞系数物理模型 |
| 3.1.2 水滴控制方程 |
| 3.1.3 网格划分和求解 |
| 3.2 道面积冰生长模型计算 |
| 3.2.1 边界条件 |
| 3.2.2 对流换热系数分析 |
| 3.2.3 道面积冰生长模型计算 |
| 3.3 道面积冰生长模型数值模拟与分析 |
| 3.4 本章小结 |
| 第四章 基于PSO优化LS-SVM的道面积冰厚度预测 |
| 4.1 基于最小二乘支持向量机的道面积冰预测 |
| 4.1.1 道面积冰影响因素数据处理 |
| 4.1.2 最小二乘支持向量机 |
| 4.1.3 基于最小二乘支持向量机的道面积冰预测模型 |
| 4.2 基于PSO-LS-SVM的道面积冰预测模型 |
| 4.2.1 粒子群算法及改进策略 |
| 4.2.2 基于PSO-LS-SVM的道面积冰预测模型 |
| 4.3 基于PSO-LS-SVM道面积冰预测仿真分析 |
| 4.4 本章小结 |
| 第五章 道面积冰实验研究 |
| 5.1 道面积冰实验平台搭建 |
| 5.1.1 实验环境构建 |
| 5.1.2 数据采集硬件构成 |
| 5.1.3 数据采集软件设计 |
| 5.2 道面积冰实验方案设计与结果分析 |
| 5.2.1 实验方案设计 |
| 5.2.2 实验过程 |
| 5.2.3 实验结果及分析 |
| 5.3 道面积冰模型验证 |
| 5.3.1 道面积冰增长模型实验 |
| 5.3.2 基于PSO-LS-SVM道面积冰预测模型实验 |
| 5.4 室外道面积冰模拟实验 |
| 5.4.1 道面积冰监控系统组成 |
| 5.4.2 实验过程及参数控制 |
| 5.4.3 实验结果及分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（10）宫颈涂片病理细胞辅助判读技术的研究（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 计算机辅助应用之宫颈癌前病变诊断的发展 |
| 1.2.2 细胞学的分割和识别技术发展 |
| 1.3 主要研究内容 |
| 1.3.1 论文的主要工作 |
| 1.3.2 论文的章节结构 |
| 第二章 宫颈细胞图像采集和技术原理介绍 |
| 2.1 宫颈细胞图像的采集和样本量 |
| 2.1.1 宫颈涂片制作原理 |
| 2.1.2 图像采集仪器介绍 |
| 2.1.3 图像数据来源和采集结果 |
| 2.1.4 细胞学诊断基本要求 |
| 2.2 病理细胞图像预处理技术 |
| 2.2.1 图像灰度处理 |
| 2.2.2 平滑图像噪声 |
| 2.2.3 图像增强处理 |
| 2.3 本章小结 |
| 第三章 宫颈细胞图像的分割技术研究 |
| 3.1 细胞的三种形态及分割流程 |
| 3.2 细胞图像分割相关技术 |
| 3.2.1 最大类间方差算法 |
| 3.2.2 分水岭分割算法 |
| 3.2.3 水平集分割算法 |
| 3.2.4 超像素分割法 |
| 3.3 宫颈细胞分割算法 |
| 3.3.1 分水岭方法提取细胞前景 |
| 3.3.2 超像素分割细胞区域 |
| 3.3.3 Otsu方法分割细胞核 |
| 3.3.4 水平集方法 |
| 3.4 可分割细胞团的分离操作 |
| 3.5 改进的凹点检测算法完成细分割 |
| 3.5.1 相关概念介绍 |
| 3.5.2 改进的凹点检测算法介绍 |
| 3.6 本章小结 |
| 第四章 宫颈细胞特征提取及选择 |
| 4.1 宫颈细胞的特征参数 |
| 4.1.1 宫颈细胞的形态特征的提取 |
| 4.1.2 宫颈细胞的色度特征提取 |
| 4.2 宫颈细胞的纹理特征提取 |
| 4.2.1 基于灰度共生矩阵的特征 |
| 4.2.2 LBP特征 |
| 4.3 细胞特征参数选择分析 |
| 4.4 本章小结 |
| 第五章 宫颈细胞的分类识别研究 |
| 5.1 神经网络概述 |
| 5.1.1 人工神经元模型 |
| 5.1.2 神经网络概念介绍 |
| 5.1.3 损失函数和代价函数 |
| 5.1.4 梯度下降法 |
| 5.2 人工神经网络的传播算法 |
| 5.3 BP神经网络 |
| 5.3.1 BP网络的标准学习算法 |
| 5.3.2 改进BP标准学习算法 |
| 5.4 实验结果与分析 |
| 5.4.1 训练样本和测试样本的选择 |
| 5.4.2 BP网络参数设计 |
| 5.4.3 实验结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文的主要工作 |
| 6.2 后续研究建议 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
四、一种求取物体凹点的算法研究（论文参考文献）
- [1]基于图像特征分析的冰雹检测方法的研究[D]. 张思炜. 南京信息工程大学, 2021(01)
- [2]基于微气囊的柔性触觉传感器阵列及对象识别研究[D]. 许玉云. 中国科学技术大学, 2021(09)
- [3]基于机器视觉技术的稻麦籽粒外观品质评测研究[D]. 武威. 扬州大学, 2021
- [4]基于机器视觉的雾滴沉积特性检测系统设计及关键技术研究[D]. 张志. 河南农业大学, 2020(04)
- [5]基于深度学习的砂石图像粒径检测[D]. 朱大庆. 南京理工大学, 2020(01)
- [6]多蜜蜂重叠图像的凹点匹配分割算法[J]. 白云飞,杨梦磊,张翔,林建. 中国农机化学报, 2020(06)
- [7]无序粘连物体机器人视觉分拣系统研究[D]. 张文飞. 河南科技大学, 2020
- [8]微流控芯片内细胞识别与计数方法研究[D]. 张中豪. 山东大学, 2020(11)
- [9]基于最小二乘支持向量机的机场道面积冰厚度预测[D]. 刘建华. 中国民航大学, 2020(01)
- [10]宫颈涂片病理细胞辅助判读技术的研究[D]. 肖璇璐. 电子科技大学, 2020(07)