一、基于图象识别的肠类食品在线检测（论文文献综述）
李文宝[1]（2021）在《基于深度学习的山核桃破壳物料在线识别分选研究》文中提出山核桃营养价值丰富,是皖南山区重要的经济作物,但其内壁结构复杂,在破壳取仁的过程中,难以保持果仁的完整性,为了更有效的保持果仁的完整,降低果仁损伤,需要对一次破壳后的山核桃物料进行分类后再加工,降低仁损伤,提高深加工水平。通过对一次破壳后的物料进行除尘、筛选之后,将初次破壳物料细分为5类:较完整壳仁未分、露仁、未破壳山核桃、壳、不完整壳仁未分,为了研究方便,在本文中将A、B、C、D、E分别设为对应类别的标签。在研究中引入深度学习的方法结合计算机视觉,对破壳后山核桃混合物料进行分类。本文主要工作总结如下:（1）首先对包含单个类别山核桃破壳物料的图像进行简单的分类研究,制作一个图像采集平台,采集5类样本图像1713张,对图像进行预处理、数据增强,生成15000张图片制作图像分类的数据集。基于VGG16网络构建分类模型,对数据集进行训练、测试,结果表明卷积神经网络在对破壳物料分类中准确率能达到99.5%。（2）对包含多个物料的图像进行检测,通过Label Img软件对图像进行标注,制作目标检测数据集,构建SSD和YOLOv4两种基于回归的目标检测模型,对模型进行训练和测试,测试模型对物料的检测效果,两个模型的m AP值分别为96%和97.1%,从m AP值可以看出,两个模型在平均检测精度上差别不大,但是对于各个类别的检测精度,特别是不完整壳仁未分物料的检测效果,YOLOv4检测效果更好,因此确定YOLOv4作为在线识别分选的模型。（3）根据在线识别分选流程,确定气吹的方式作为物料分离方式,确定分选识别系统整体方案,并且设计系统整体机构,包括传送带、主机、电气柜、摄像头、电磁阀等,对主要元器件选型。将训练好的模型加载到在线识别分选平台,分别进行静态识别试验和动态分选试验,静态识别率为95.6%,动态分选率为91.4%实现了较好的分选效果。
刘艳君[2]（2021）在《基于机器视觉的马铃薯等级分类研究》文中进行了进一步梳理世界四大粮食中,马铃薯被专家称为可以拯救人类的粮食。其分布区域十分广泛,但目前在马铃薯的智能分选方面仍处于研究阶段,大部分地区依旧利用人工分选手段。在生产过程中,马铃薯品质会严重影响马铃薯深加工产业的实际效益,而对马铃薯进行品质分级,是进行工业化生产的重要前提之一。现有的机械分级方式大都容易对马铃薯的表面造成二次伤害,针对现有情况,开发出一种无损于马铃薯品质的快速分级方法,对目前来说尤为重要。本文设计了一种基于机器视觉技术的马铃薯品质分级系统,满足了马铃薯在表面缺陷、形状以及质量三个方面的分类要求,在保证了马铃薯品质分类准确率的基础上,在同一张图像上采集多个马铃薯样本信息,继而提高了分类的效率。为此,本文设计了一种基于视觉技术的马铃薯等级分类系统,包括以下几个方面:1)对马铃薯表面信息的完整提取,利用光滑的透明平板作为马铃薯放置平台,用RGB-D摄像头,对马铃薯进行上下两次采集,以获取到完整表面信息的方案。针对图像预处理环节,通过实际对比各个环节不同的算法,分析其效果,确定出最佳处理方案。本文采用的是中值滤波法去噪,利用canny算子进行边缘信息检测,再利用直方图阈值法分割,以及进行形态学上的开闭运算,为下面的缺陷检测和形状分类做准备工作。2)由于马铃薯表面缺陷具有明显的颜色特征,故提出了一种基于HIS颜色（色调、饱和度和亮度）模型的方法,检测马铃薯表面容易存在的各种外部缺陷;对于马铃薯局部表面可能存在的青斑,则利用了RGB模型。利用HIS和RGB两种颜色模型,实现了对于马铃薯不同类型缺陷的检测,最后进行缺陷区域标记。3)研究表面图像信息在马铃薯形状分类方面的应用,本文利用获取到的马铃薯表面特征,作为支持向量机（SVM）的相关参数,进行训练,实现马铃薯薯形分类目的的同时,提高了识别准确率。本文将马铃薯的薯形大体上分为类球形和畸形两类,平均分类准确率为95%。4)不同现有的多数马铃薯质量检测方法,本文利用RGB-D摄像头对样本马铃薯的二分之一部分进行了RGB和IR图像采集,结合3D点云重构技术,对二分之一的马铃薯进行点云重构,利用曲率约束法、反距离插值法、体素栅格法进行前期的数据处理工作,最后进行基于面片模型面积法的稠密重建,利用四面体网格结构法进行体积计算,结合马铃薯的密度一般稳定在1.0～1.2g/cm3,可以求出马铃薯样本的质量,实现马铃薯的质量分类。
陈谊,孙梦,武彩霞,孙小然[3]（2021）在《食品安全大数据可视化关联分析》文中提出随着检测技术的提高和互联网技术的广泛应用,食品安全数据的规模不断增大、类型不断增多,对数据分析技术提出了极大挑战。近年来出现的可视分析技术,通过提供图形交互界面,帮助领域人员深入理解数据并洞悉数据中的隐含规律,提高对食品安全风险的分析、发现、预警和溯源能力,为食品安全监测和管控提供了新手段。首先分析了食品安全数据的主要来源、特征和分析任务;然后提出了一种关联可视分析技术分类方法,从属性关联、实体关联、对比分析和时空分析4个方面阐述了近10年来的食品安全大数据可视化关联分析方法;最后提出了该领域存在的问题和挑战。
Zhang Bo[4]（2016）在《基于多源信息融合的水产养殖安全溯源系统研究》文中研究说明水产品安全已经成为社会关注的重要课题之一,由于水产养殖涉及到养殖环境、育苗、养殖过程到出售诸多环节,养殖周期长,传统的手工信息录入、填表等方式很难对这些环节进行有效监控。本研究从水产养殖过程溯源要求入手,着重对多源信息智能获取与融合和基于角色、时间和位置的可信溯源数据两个方面开展研究,力求运用先进的信息技术手段来构建水产养殖安全可信溯源体系,以有效保证水产品安全,一旦出现水产品质量安全问题时,可为相关部门的追溯、查证等提供有力的技术保障。水产养殖多源信息的获取是智慧养殖、科学决策的基础。针对水产品溯源信息的智能获取问题,本文研究了水产品的放养、生产、管理、销售等方面的业务流程,分析了目前国内外水产品溯源的基本情况及使用的主流技术手段,利用二维码技术和移动互联网技术的特点设计了实用可行的水产生产过程管理和溯源系统模型,使用智能移动设备实现了水产生产过程中对饲料、药品等日常使用和巡塘的信息化管理。针对水产品溯源信息的可信度问题,本文提出基于角色、位置和时间的三维可信溯源空间数据结构,在RT模型和GEO-RT模型的基础上提出一种新的增加了时间信息管理的GEO-T-RT模型。该模型将空间信息系统中的空间位置变化信息和时间信息紧密结合到RT中,具体来说该模型在RT的基础上,为RT中的角色赋予了移动定位属性,同时又对实体的行为进行时间关系参数化,从而可以更好地用于空间信息系统的可信数据管理。结合GNSS位置服务和NNTP网络时间服务,既确保养殖过程信息的真实可信,也提高了管理过程中药品和饲料使用的安全性。基于该模型开发了水产生产过程和溯源可信数据的管理,为可靠的溯源提供数据支撑。本研究根据HACCP原则,基于QR码构建水产养殖安全溯源系统,围绕影响水产养殖过程质量安全关键点与关键因子展开了研究,对养殖过程关键环节的溯源信息进行建模,进而提出追溯系统的模型。在模型中将粗糙集理论应用于水产养殖多源信息的融合中,对不完整和不确定的数据进行分析,剔除冗余和相容信息,抽取有潜在价值的知识规则,获取最快、最简的信息融合算法,解决了水产养殖过程中大数据和不完整信息的融合问题。对于水产养殖过程中的水产品在转塘或换塘带来的复杂追溯问题,利用集合和递归的思想提出了建立在二维码基础上的追溯算法,该追溯算法能有效实现转塘或换塘过程中水产品信息流的连通,确保追溯信息的完整,该方法既适用于水产养殖,同时对动植物的养殖和种植也具有普遍意义。全文开展了系统的需求分析、系统架构的设计和关键技术的选择,并对整个系统进行了客观分析和讨论。系统通过养殖水质无线传感信息采集节点,获取温度、溶氧、pH值、浊度等传感参数,通过无人机和移动手机获取图像和视频传感信息,从专业的气象部门获取实时气象信息,实现从低空、地面和水下多层次开展水产养殖多源信息的获取进行了实验研究与实践。通过对这些多源信息的融合与分析提供可用于养殖健康的水质参考数据,为养殖及监管部门提供更多辅助决策信息。本研究基于B/S架构和移动应用技术开发了符合试点企业实际的水产养殖过程溯源系统,实现了在企业养殖基地的水产养殖过程中对放养、巡塘、喂料、施药和销售信息进行管理;溯源体系的运行与使用,促进了水产养殖过程的规范化、标准化,并对水产养殖环境和水产养殖设备的智能运行提出更高要求,系统使用粗糙神经网络模型对影响水质环境的pH值、风速、湿度、天气概况（晴朗、多云、阴天等）、压力、温度、水温、露点等因子进行分析,预测溶解氧的变化趋势,从而对增氧机等设备进行控制,提高养殖的水质质量。系统实施后,可节约电费20-30%,降低了成本;减少了鱼类由于水质环境影响带来的死亡,增加了产量,系统在试点企业运行良好。水产养殖过程溯源系统的设计与实现,对水产养殖安全溯源机制的推动、水产品安全的保障、水产行业的规范化发展,具有重要的现实意义和实用价值。
纪滨,许正华,胡学钢,童宝宏[5]（2013）在《基于颜色的食品品质检测技术现状及展望》文中指出食品颜色是其品质重要的外在特征。文章从目视法、测色仪法和计算机视觉法三类食品颜色检测技术的应用及存在问题等方面进行综述。从颜色信息采集方式和人的颜色视觉感知两个方面阐述食品品质颜色检测可行性理论基础,重点介绍测色仪法和计算机视觉法在食品工业各领域的应用,分析目视法、测色仪法和计算机视觉法的特点及其局限性,并对具有发展潜力的计算机视觉法进行展望。
周博文[6]（2012）在《保健酒智能视觉检测机器人技术研究》文中研究表明我国有着巨大的饮料酒生产市场以及饮料酒产品的高增长率，但饮料酒生产线的自动化装备水平亟待提高，尤其在饮料酒生产线上的检测环节，主要依赖人工检测。近年来，随着消费水平的提高和相关法律、法规的完善，在饮料酒类行业中，产品质量变得越来越重要。人工检测效率低、精度低、漏检误检率高，面对国外先进成套饮料酒生产装备对国内市场的冲击，研究具有自主知识产权的饮料酒自动检测设备具有十分重要的价值。本论文旨在研制面向大型高速保健酒自动化生产线上的产品检测智能机器人。保健酒智能视觉检测机器人是以多传感器信息融合为基础，利用机器视觉和智能控制技术，在不影响正常的安全生产过程的同时，可实现高速保健酒自动化生产线上的自动检测，并能把不合格保健酒实时自动分离出生产线。保健酒智能视觉检测机器人涉及机器视觉、机械设计与传动、光机电一体化、传感器检测与信息融合、光学成像、数字图像处理和通信等多学科领域技术。本文从饮料酒检测现状出发，首先分析了机器人实施的技术路线和整体设计方案，研究了机械结构、机电控制系统、光学成像与视觉信息获取，详细设计开发了针对保健酒液中的可见异物检测和外观检测算法，并经过了大量实验论证，最后研制出保健酒智能视觉检测机器人样机，并把相关技术推广到大输液和口服液等医药自动化生产线上，为饮料医药行业的产品安全生产提供重要保障。归纳起来，本文主要工作和取得的创新成果有：1、阐述了饮料酒产品的检测现状，指出研制智能视觉检测机器人的重要意义，概述了机器视觉技术，分析了保健酒中可见异物及外观缺陷的成因，重点分析了国内外饮料酒检测的现状。2、对保健酒智能视觉检测机器人系统进行了可行性分析论证，给出了整体实施技术路线和技术方案，设计了直线间歇式、圆盘固定位置拍照式和旋转跟踪式三种保健酒智能视觉检测机器人的机械结构，并进行了对比分析，研究了基于多IPC和PLC的分布式精密光机电控制结构，分析了伺服跟踪拍摄控制的“加速跟上-同角速度运转-快速返回”三个阶段过程，提出了黑色异物和装量检测工位、白色异物检测工位和瓶盖检测工位的光学成像方法，给出了机器人的检测流程，对比研究了多种次品分拣方案，分析了机器人的软件构架。3、对保健酒中的可见异物对象进行了运动学分析，并把可见异物和气泡、瓶壁刮痕刻度等进行了对比，对基本滤波算法进行了分析研究了一种改进型加权滤波处理算法，并提出了基于中值的加权均值滤波算法，既能有效的滤除噪声，又能有效的保留运动目标，根据保健酒特定的瓶型进行了检测区域的标定，提出了一种基于边缘统计的经验规则定位法进行图像定位，并得到了良好的定位效果。4、研究了保健酒液序列图像中可见异物的分割与识别方法。分析了背景减除的运动目标提取方法，详细介绍了基于时间差分的运行目标提取，研究了基于Fisher评价函数的阈值分割，详细分析了基于改进型Mean Shift和Kalman滤波的运动目标跟踪方法，并进行了实例分析与测试，从运动目标的位置、形状和运动轨迹等方面，构建支持向量，研究了基于支持向量机的运动目标识别，进行了图像标定，然后从压像素角度分析，对可见异物进行测量，并判断异物尺寸是否在允许范围内，通过实验，验证了可见异物分割与识别算法的可行性和有效性。5、研究了保健酒产品的外观检测算法。针对侧瓶盖缺陷，提出了多重扫描的边缘特殊点重心法定位，针对顶面瓶盖，提出了一种多重搜索定位法定位，得到定位点后，研究了一种基于分层思想的瓶盖缺陷图像快速匹配检测方法实现瓶盖检测，针对Sobel算子边缘检测的优点和缺陷，提出了基于改进型Sobel算子，得到液面线，并根据经验规则判断液面高度，实现装量的检测。6、实现了保健酒智能视觉检测机器人的样机研制及推广应用。给出了机器人的实物图和各关键部分装置图，从人机界面、测试界面、控制软件和数据库模块四个方面分析了软件部分的构成，最后分析了保健酒智能视觉检测机器人的Knapp-Kushner测试方法，给出了测试数据，最后把保健酒智能视觉检测机器人的相关技术推广到大输液视觉检测机器人、安瓿视觉检测机器人和口服液视觉检测机器人等设备上，并得到了实际应用。在保健酒智能视觉检测机器人研发过程中，从方案设计到测试实验，从图像预处理与定位算法，到可见异物检测与识别和外观检测方法的研究，从机械设计到精密光机电控制与传动，从样机研制到推广应用，发现并解决了大量的理论和实际问题，为设备的应用及后一步的升级开发提供了宝贵的经验，给相关设备的研发带来了良好的参考价值，为实现饮料酒和医药自动化生产线上的产品质量安全提供了保障。
董庆利,胡孟晗[7]（2011）在《应用计算机视觉评定肉类品质的研究进展》文中指出随着图像处理技术的发展及计算机硬件成本的下降和运算速度的提高,利用计算机视觉系统对肉类品质进行自动检测和分级在国内外已有研究和应用。本文综述了计算机视觉在评定颜色和大理石花纹、骨骼成熟度和新鲜度,预测嫩度和胴体分级等肉类品质上的研究进展。
陈国庆[8]（2010）在《荧光光谱技术在食品安全监控中的应用研究》文中认为本文应用荧光光谱结合人工神经网络技术鉴别和测定了合成食品色素、中国白酒、黄酒和葡萄酒等发酵酒,以及三聚氰胺等与食品安全相关的物质,并讨论了这些荧光光谱的特性,进而对食品安全实时荧光监控系统进行了基础设计。实验测得胭脂红、苋菜红、诱惑红、酸性红、赤藓红、新红、日落黄、柠檬黄、喹啉黄、亮蓝和靛蓝等11种目前我国允许使用的合成食品色素和常被非法用于食品的工业色素苏丹红Ⅰ和苏丹红Ⅳ的三维荧光光谱,以及这些色素10种浓度的溶液在各自最佳激发波长光激发下的荧光发射光谱,得到了各自的荧光光谱特性参数和荧光强度与溶液浓度的关系。结果表明,这些色素在短波长光激发下,均能产生强的荧光,各自的荧光光谱具有明确的特征。提出并应用全部导入、小波变换、逐阶求导等新方法提取和处理荧光光谱特征数据,利用这些数据训练和建立了BP、RBF和PNN等神经网络,实现了对合成色素方便、快捷、准确的种类鉴别和浓度测定,鉴别准确率均达到100%,测定平均相对误差均在4%以内。首次实现了工业色素和食品色素的准确识别,以及混合色素中各色素浓度的同时测定。实验测得新的白酒样品的荧光光谱,建立了中国白酒荧光光谱图库,首次确定以荧光谱峰个数、荧光峰值波长、荧光最佳激发波长、荧光发射谱1/4/、1/2、3/4处线宽6个参数作为特征数据并建立特征向量,以其欧氏距离作为鉴别判据,提出并应用自动提取、搜索比对、判别归类、向量运算、阈值判定等原理和方法,发挥了荧光光谱技术和计算机智能技术的优点,建立了基于荧光光谱的中国白酒鉴别系统,实现了中国白酒品种和白酒年份酒年份的科学化、仪器化和智能化鉴别。首次将荧光光谱技术应用于三聚氰胺的定量检测,测定三聚氰胺浓度的平均相对误差为1.50%。检测并分析了食用油及其加热后的荧光光谱,结果表明这种食用油在波长为400nm左右的光激发下,能产生较强的荧光。得到了在不同激发光下两个荧光峰随加热次数和加热时间的变化规律,对其成因进行了分析。实验研究了农药以及黄酒、啤酒和葡萄酒3种发酵酒的荧光光谱,结果表明,荧光光谱是荧光物质的指纹图谱,荧光光谱特性是荧光物质的特征信息,可用于对物质进行定性和定量检测。研究了食品安全实时荧光光谱检测和监控系统,提出了系统的设计方案,以及系统结构、组成及配置。本文的研究结果为丰富和发展食品安全检测技术提供新思路,可为促进食品安全监管领域的方法创新和进步提供技术支持。
丁筠[9]（2010）在《基于生物技术与计算机视觉的食品微生物快速检测研究》文中进行了进一步梳理为了适应食品和农产品安全现场监测对微生物快速检测方法的需求,本文综合利用生物技术和计算机视觉技术,针对食品和农产品中的活菌总数和大肠菌群数的快速检测方法进行研究。提出了采用二水合柠檬酸三钠亚甲基蓝染液作为细菌的活体染色剂,同时配合高分辨率彩色数字摄像机拍摄细菌内部的颜色差别,从而提出了一种有效分辩出死菌和活菌的方法,并针对活菌的显微成像特征,结合传统方法,制定出针对活菌检测的图像处理新方法。为了能够有效识别活菌细胞和非菌体杂质颗粒,提出了规则度和紧致度的概念,结合另外11个形态和颜色特征参数对活菌细胞进行描述。采用改进的人工神经网络作为细菌识别分类器,训练时使用变学习率动量梯度下降算法获得了较好的效果。对常见的四大类食品样品进行检测,提出了有效的物料前处理方法及菌液浓缩方法,与国标法对比试验的结果表明,使用该快速检测方法检测准确度高（R2>0.99,t检验P>0.05）,检测时间短（<1 h）,检出限低（1 cell/mL）。在正确检测活菌总数的基础上,根据部分检测样品的菌群分布特点,提出了一种基于统计学的大肠菌群数的估算新方法。最后,将计算机视觉技术与串口通信技术相结合研发了自动化程度很高的食品微生物快速检测系统并予以应用。
刘璎瑛[10]（2010）在《基于机器视觉的稻米品质评判方法研究》文中提出中国是世界上最大的稻米生产国和消费国,却无法跻身于稻米出口大国之列。其原因之一是我国稻米品质检测技术落后,无法保证出口稻米品质,使我国稻米出口缺乏国际竞争力。本文以稻米米粒为研究对象,针对目前稻米米粒加工、分选等过程中存在的实际问题,研究了基于机器视觉技术的稻米外观品质图像检测原理和方法,构建了稻米品质图像静、动态检测系统,给出了适合稻米在线品质评判的图像处理算法。实验分析了稻米内外品质的相关性,验证了外观品质分选对稻米食味品质的影响。根据稻米外观品质特征研究了稻米分选方法,为进一步开发稻米自动化分选系统奠定了基础。本文的主要内容和结论如下：1.对稻米内外品质相关性进行了初步实验研究,分别完成不同品种和同一品种稻米部分品质相关性实验分析。结果表明,江苏产粳稻其稻米食味品质与胶稠度、垩白度、直链淀粉含量和水分相关,稻米的蛋白质含量与稻米品种相关；单一品种稻米的胶稠度和蛋白质含量随米粒垩白的增多而降低,直链淀粉含量随米粒垩白的增多而升高。单一品种相关性实验测定及方差分析表明,单一品种稻米的外观品质中米粒整碎及垩白大小对直链淀粉含量和胶稠度这两种内在品质有显着影响。因此从分选角度看,剔除破碎米和垩白米能够改善稻米的食味品质。2.构建了稻米外观品质机器视觉检测系统。通过颜色校正和几何标定,系统较好实现了稻米多米粒彩色图像的静、动态获取。对稻米米粒外观图像特征进行描述,给出了完整米、垩白米、破碎、黄米和异型米的定义,按照米粒加工分选中常遇到的米样组合,拍摄了全部为完整米的米样图,全部为垩白米的米样图和各种米样混合在一起的混合米样图,以三种米样图为研究对象对多米粒彩色图像处理算法进行了研究。3.提出了一种基于改进最终测量精度法的彩色图像分割效果评判方法。求取米粒分割后去掉背景的边缘轮廓灰度图,以灰度图的灰度均值和方差作为分割评判准则,分别对三种彩色米样图像进行分割颜色通道和分割方法的选择。经实验验证,在I1颜色通道用最大类间方差法进行稻米多米粒图像分割可以取得较好效果。针对目前垩白米分割算法计算量大、自适应性不强等现状,研究了基于且比雪夫逼近的垩白米垩白区域分割算法,对三种米样图进行了垩白区域提取。结果显示,该算法耗时短、鲁棒性强,实现了不同米样图像的垩白区域自动、准确分割。对垩白米正反两面的垩白区域进行分割提取和面积计算,验证了单目视觉在垩白米检测应用中的可行性。4.提出了一种基于霍特林变换的稻米大小、形状特征提取算法。对目前常用的最小外接矩形法进行改进,通过对江苏产籼稻米粒粒型的测定,比较两种算法的准确度和实时性。结果表明,改进最小外接矩形法单粒计算耗时267ms,误差2.24%；基于霍特林变换法单粒计算耗时31ms,误差1.65%。霍特林变换用于稻米大小、形状特征提取实时性好,准确度高。5.选取江苏产的5种粳稻：武香粳14号、淮稻5号、徐稻3号、宁粳1号和徐稻4号,每个品种稻米选择完整米、垩白米、破碎米和异型米各150粒,黄米在5个品种中共选150粒,共计3750粒,拍摄250张静态图像。根据本文图像处理算法提取稻米米粒的9个大小特征参数、10个形状特征参数和31个颜色特征参数,建立了稻米的图像特征数据库。6.研究了基于多结构神经网络的稻米外观品质评判方法。分别对大小形状特征和颜色特征进行主成分分析,根据结果选取面积、粒型、垩白大小和H值作为网络输入的特征参数,经调试,构建了网络结构为5×（4-4-5-1）的多结构神经网络分类器,并与相同网络复杂度的多层BP神经网络进行分类效果比较。结果显示,多结构神经网络分类器对完整米、垩白米、破碎米、黄米和异型米的识别准确率分别为98.3%,92.4%,97.5%,96%,93%,其平均准确率比多层BP神经网络分类器提高6.4个百分点,并且网络训练耗时短。7.分别拍摄0.08m/s、0.12m/s、0.16m/s和0.2m/s四种传送带运行速度下米粒视频图像,研究了基于改进背景差法的运动稻米图像检测方法,完成了对米粒视频图像的背景自动提取、米粒分割、米粒跟踪和特征提取。将不同速度下提取的稻米大小形状特征与静态特征相比较,根据动态偏差和相对误差选取0.12m/s为本文视频图像采集速度。根据提取的特征进行多结构神经网络评判,对完整米、垩白米、破碎米、黄米和异型米的识别准确率分别为95.2%,89.6%,97.3%,90.5%,82.3%。利用Matlab中的Simulink平台对运动稻米图像检测算法进行仿真实现,并给出了算法优化加速的方法。
二、基于图象识别的肠类食品在线检测（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、基于图象识别的肠类食品在线检测（论文提纲范文）
（1）基于深度学习的山核桃破壳物料在线识别分选研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 文献综述 |
| 1.2.1 视觉技术在农产品加工方面的研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内研究现状 |
| 1.3 课题研究目的及研究内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 2 深度学习理论基础 |
| 2.1 卷积神经网络基本结构 |
| 2.2 经典卷积神经网络 |
| 2.3 目标检测算法简述 |
| 2.3.1 基于区域建议的目标检测算法 |
| 2.3.2 基于回归的目标检测算法 |
| 2.4 深度学习框架汇总 |
| 2.5 本章小结 |
| 3 基于VGG16 的山核桃破壳物料分类研究 |
| 3.1 引言 |
| 3.2 材料与数据集制作 |
| 3.2.1 山核桃初次破壳后物料 |
| 3.2.2 图像采集平台 |
| 3.2.3 图像预处理 |
| 3.2.4 图像增强 |
| 3.3 模型构建 |
| 3.3.1 山核桃破壳物料分类网络模型结构 |
| 3.4 优化方法及训练 |
| 3.4.1 损失函数 |
| 3.4.2 Adam优化器 |
| 3.4.3 防止过拟合方法 |
| 3.5 训练与结果分析 |
| 3.5.1 训练硬件配置 |
| 3.5.2 训练参数设计及结果 |
| 3.5.3 特征图可视化 |
| 3.5.4 混淆矩阵 |
| 3.6 本章小结 |
| 4 基于深度学习的破壳物料目标检测 |
| 4.1 引言 |
| 4.2 图像标注和数据集制作 |
| 4.2.1 图像标注 |
| 4.2.2 数据增强 |
| 4.3 SSD算法介绍 |
| 4.3.1 网络结构 |
| 4.3.2 SSD检测原理 |
| 4.4 YOLOv4 算法介绍 |
| 4.4.1 YOLOv4 结构 |
| 4.4.2 YOLOv4 部分组成 |
| 4.4.3 YOLOv4 目标检测过程 |
| 4.5 目标检测评价指标 |
| 4.6 训练与结果 |
| 4.6.1 训练环境及硬件配置 |
| 4.6.2 模型训练 |
| 4.6.3 检测效果及对比分析 |
| 4.7 本章小结 |
| 5 破壳物料在线识别分选系统设计与试验 |
| 5.1 引言 |
| 5.2 材料与方法 |
| 5.2.1 试验材料 |
| 5.2.2 在线检测流程 |
| 5.3 整体方案与分选机构 |
| 5.3.1 气吹分选工作原理 |
| 5.3.2 主要元器件选型 |
| 5.3.3 检测系统整体设计 |
| 5.3.4 在线检测系统整体实物图 |
| 5.4 在线检测评价指标 |
| 5.5 检测试验与结果分析 |
| 5.5.1 系统静态识别试验 |
| 5.5.2 系统动态分选试验 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简介 |
（2）基于机器视觉的马铃薯等级分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 国外发展现状 |
| 1.2.2 国内发展现状 |
| 1.3 存在的问题及分析 |
| 1.4 本论文的研究内容 |
| 1.5 本章小结 |
| 第2章 图像获取与图像预处理 |
| 2.1 图像获取 |
| 2.1.1 摄像头选择 |
| 2.1.2 摄像头标定和配准 |
| 2.2 图像的空域滤波 |
| 2.2.1 平滑滤波法 |
| 2.2.2 中值滤波法 |
| 2.3 图像分割 |
| 2.3.1 边缘检测分割 |
| 2.3.2 阈值分割 |
| 2.4 形态学处理 |
| 2.4.1 膨胀与腐蚀 |
| 2.4.2 开运算与闭运算 |
| 2.5 本章小结 |
| 第3章 外部缺陷检测与形状检测 |
| 3.1 外部缺陷检测 |
| 3.1.1 RGB模型和HSI模型 |
| 3.1.2 基于颜色特征的外部缺陷检测 |
| 3.1.3 基于RGB和 HIS颜色模型融合的检测方法 |
| 3.2 形状检测 |
| 3.2.1 面积和周长计算法 |
| 3.2.2 SVM算法分析 |
| 3.3 本章小结 |
| 第4章 基于3D点云重构的质量检测 |
| 4.1 基于曲率约束的马铃薯点云分割算法 |
| 4.1.1 点云曲率的计算 |
| 4.1.2 欧式距离的计算 |
| 4.2 基于插值算法的点云去噪 |
| 4.3 基于栅格法数据精简 |
| 4.4 PMVS稠密重建及四面体网格结构体积计算 |
| 4.4.1 PMVS稠密重建 |
| 4.4.2 四面体网格结构体积计算 |
| 4.5 本章小结 |
| 第5章 马铃薯分类实验 |
| 5.1 马铃薯表面缺陷检测 |
| 5.2 马铃薯薯形检测 |
| 5.3 马铃薯质量检测 |
| 5.3.1 面积法 |
| 5.3.2 周长法 |
| 5.3.3 数据对比 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文目录 |
（3）食品安全大数据可视化关联分析（论文提纲范文）
| 1 引言 |
| 2 食品安全数据的来源、特征与关联分析任务 |
| 2.1 数据来源 |
| 2.2 数据特征 |
| 2.3 关联分析任务 |
| 3 食品安全数据的关联可视分析方法 |
| 3.1 属性间的关联可视分析 |
| 3.1.1 两属性之间的相关性可视分析 |
| 3.1.2 多属性之间的相关性可视分析 |
| 3.2 实体间的关联可视分析 |
| 3.2.1 实体间网络关系可视分析 |
| 3.2.2 实体间层次关系可视分析 |
| 3.3 对比分析 |
| 3.3.1 数值对比可视分析 |
| 3.3.2 结构对比可视分析 |
| 3.4 时空分析 |
| 3.4.1 食品属性与时间的关联可视分析 |
| 3.4.2 食品属性与空间的关联可视分析 |
| 4 问题与挑战 |
| (1)多源异构数据的融合处理与可视分析 |
| (2)人工智能在可视分析过程中的应用 |
| (3)设计易于理解的可视分析系统 |
| 5 结束语 |
（4）基于多源信息融合的水产养殖安全溯源系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 前言 |
| 1.1 研究背景 |
| 1.1.1 水产养殖安全溯源现状及趋势 |
| 1.1.2 农业领域的多源信息采集 |
| 1.1.3 多源信息融合技术研究进展 |
| 1.2 研究的目的与意义 |
| 1.3 主要研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 论文组织 |
| 第2章 水产养殖多源信息采集机制与模型 |
| 2.1 水产养殖多源信息的智能采集机制 |
| 2.2 UAV信息采集 |
| 2.2.1 UAV技术 |
| 2.2.2 水产养殖中的UAV设计 |
| 2.2.3 UAV传感信息采集 |
| 2.3 二维码信息采集 |
| 2.3.1 二维码技术 |
| 2.3.2 水产养殖环境中的QR二维码设计 |
| 2.3.3 水产养殖过程（饲料、药品、巡塘）空间多维图像信息采集模型 |
| 2.4 WSN信息智能采集 |
| 2.4.1 WSN技术 |
| 2.4.2 水产养殖环境中的WSN设计 |
| 2.4.3 养殖环境信息采集 |
| 2.5 多源信息的数据融合 |
| 2.6 本章小结 |
| 第3章 水产养殖安全溯源体系架构 |
| 3.1 总体框架 |
| 3.1.1 系统需求分析 |
| 3.1.2 HACCP质量安全关键控制点 |
| 3.1.3 水产养殖安全溯源模型 |
| 3.2 水产品安全追溯码 |
| 3.2.1 GS1国际编码体系 |
| 3.2.2 EAN/UCC-128 的水产养殖产品编码设计 |
| 3.3 追溯算法 |
| 3.4 数据交换 |
| 3.5 本章小结 |
| 第4章 基于角色、位置和时间的三维可信空间溯源数据模型 |
| 4.1 基于GEO-T-RT的可信管理 |
| 4.1.1 可信管理 |
| 4.1.2 基于GEO-T-RT的三维可信管理 |
| 4.1.3 GEO-T-RT模型的三维可信度与管理模型评价 |
| 4.2 三维可信溯源数据系统结构 |
| 4.3 位置服务 |
| 4.4 时间服务 |
| 4.5 基于移动互联网技术的三维溯源模型实现 |
| 4.6 本章小结 |
| 第5章 系统设计与开发 |
| 5.1 数据库设计 |
| 5.1.1 数据编码 |
| 5.1.2 数据库结构 |
| 5.2 主要模块与功能 |
| 5.2.1 系统管理模块 |
| 5.2.2 养殖基本信息管理模块 |
| 5.2.3 养殖安全管理模块 |
| 5.2.4 出塘管理 |
| 5.2.5 质量追溯模块 |
| 5.3 系统开发与实现 |
| 5.3.1 开发平台与开发环境 |
| 5.3.2 B/S的系统开发 |
| 5.3.3 移动端的系统开发 |
| 5.3.4 WebGIS的系统开发 |
| 5.4 本章小结 |
| 第6章 系统实施与分析评价 |
| 6.1 系统实施 |
| 6.2 数据分析与评价 |
| 6.2.1 数据源 |
| 6.2.2 数据标定试验 |
| 6.2.3 数据修复预处理 |
| 6.2.4 养殖水体溶解氧变化分析 |
| 6.2.5 溶解氧预测分析 |
| 6.2.6 效益分析 |
| 6.3 本章小结 |
| 第7章 结论与展望 |
| 7.1 主要结论与讨论 |
| 7.2 论文的创新点 |
| 7.3 存在的主要问题及建议 |
| 7.4 未来展望 |
| 致谢 |
| 参考文献 |
| 附录A 在读期间的科研项目、论文、专利、软件着作权 |
（5）基于颜色的食品品质检测技术现状及展望（论文提纲范文）
| 1 食品品质颜色检测的理论基础 |
| 1.1 颜色信息采集 |
| 1.1.1 目视法 |
| 1.1.2 测色仪法 |
| 1.1.3 计算机视觉法 |
| 1.2 人的颜色视觉感知 |
| 2 食品颜色检测应用现状 |
| 2.1 测色仪的应用 |
| 2.2 计算机视觉技术的应用 |
| 3 食品颜色检测技术的问题分析及展望 |
（6）保健酒智能视觉检测机器人技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 插图索引 |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 机器视觉技术概述 |
| 1.2.1 机器视觉的概念 |
| 1.2.2 光源及成像技术 |
| 1.2.3 镜头及摄像机 |
| 1.3 保健酒检测对象分析 |
| 1.3.1 可见异物检测 |
| 1.3.2 外观检测 |
| 1.4 国内外研究现状 |
| 1.4.1 基于机器视觉的杂质检测设备 |
| 1.4.2 基于光敏传感器的异物检测 |
| 1.4.3 基于视觉的饮料酒产品外观检测 |
| 1.5 论文选题的支撑及各章节安排 |
| 第2章 保健酒智能视觉检测机器人总体设计 |
| 2.1 引言 |
| 2.2 保健酒智能视觉检测机器人机械结构 |
| 2.2.1 直线间歇式保健酒智能视觉检测机器人 |
| 2.2.2 圆盘固定拍照式保健酒智能视觉检测机器人 |
| 2.2.3 旋转跟踪式保健酒智能视觉检测机器人 |
| 2.3 保健酒智能视觉检测机器人的机电系统及成像方式 |
| 2.3.1 分布式光机电一体化控制结构 |
| 2.3.2 摄像机跟踪拍摄方式分析 |
| 2.3.3 伺服跟踪控制 |
| 2.3.4 光学及成像 |
| 2.4 机器人的作业流程 |
| 2.5 次品分离系统设计 |
| 2.5.1 多种次品分离方式的对比分析 |
| 2.5.2 保健酒智能视觉检测机器人的次品分离方式 |
| 2.6 机器人的软件构架 |
| 2.7 本章小结 |
| 第3章 酒液中可见异物检测的图像预处理方法 |
| 3.1 引言 |
| 3.2 可见异物目标分析 |
| 3.2.1 可见异物运动的动力学分析 |
| 3.2.2 可见异物及干扰的对比分析 |
| 3.3 图像滤波处理 |
| 3.3.1 改进型加权中值滤波算法 |
| 3.3.2 基于中值的加权均值滤波处理算法 |
| 3.4 检测区域标定与定位 |
| 3.4.1 检测区域标定 |
| 3.4.2 改进型重心法定位 |
| 3.4.3 边缘特殊点定位法 |
| 3.4.4 基于边缘统计的经验规则定位法 |
| 3.5 本章小结 |
| 第4章 可见异物的图像分割与识别方法 |
| 4.1 引言 |
| 4.2 运动目标提取 |
| 4.2.1 基于背景减除的运动目标提取 |
| 4.2.2 基于时间差分的运动目标提取 |
| 4.2.3 保健酒液中运动目标检测实例分析 |
| 4.3 基于 Fisher 评价函数法的图像阈值分割 |
| 4.4 基于改进型 Mean Shift 和 Kalman 滤波的运动目标跟踪 |
| 4.4.1 保健酒液中可见异物目标的运动特征分析 |
| 4.4.2 Mean Shift 算法简介 |
| 4.4.3 基于 Mean Shift 算法的运动目标跟踪 |
| 4.4.4 改进 Mean Shift 和 Kalman 滤波算法的跟踪策略 |
| 4.4.5 运动目标跟踪的实验数据分析 |
| 4.5 基于支持向量机的运动目标识别 |
| 4.5.1 支持向量机简介 |
| 4.5.2 线性可分和线性不可分的最优分类面 |
| 4.5.3 支持向量机分类方法 |
| 4.5.4 运动目标的特征分析及分类实现 |
| 4.6 异物测量 |
| 4.6.1 图像标定 |
| 4.6.2 亚像素分析 |
| 4.6.3 异物面积和粒径测量 |
| 4.6.4 测量结果及对比分析 |
| 4.7 实验结果及分析 |
| 4.7.1 测试对象 |
| 4.7.2 黑色异物和白色异物检测测试 |
| 4.7.3 检测算法运行时间测试 |
| 4.7.4 保健酒中典型异物检测测试及结果分析 |
| 4.8 本章小结 |
| 第5章 保健酒产品外观检测 |
| 5.1 引言 |
| 5.2 检测目的及缺陷种类 |
| 5.3 瓶盖检测 |
| 5.3.1 瓶盖检测区域定位 |
| 5.3.2 瓶盖缺失检测 |
| 5.3.3 基于分层思想的快速匹配检测方法 |
| 5.4 装量检测 |
| 5.5 本章小结 |
| 第6章 智能视觉检测机器人样机研制及推广应用 |
| 6.1 引言 |
| 6.2 保健酒智能视觉检测机器人样机研制 |
| 6.2.1 保健酒智能视觉检测机器人实物图 |
| 6.2.2 实验与分析软件开发 |
| 6.2.3 Knapp-Kushner 测试 |
| 6.3 推广应用 |
| 6.3.1 大输液视觉检测机器人 |
| 6.3.2 安瓿视觉检测机器人 |
| 6.3.3 口服液视觉检测机器人 |
| 6.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 附录 A 攻读博士学位期间发表的学术论文 |
| 附录 B 攻读博士学位期间授权和申请的国家发明专利 |
| 附录 C 攻读博士学位期间参与的科研项目和所获奖励 |
| 致谢 |
（8）荧光光谱技术在食品安全监控中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 食品安全及其现状 |
| 1.2 食品安全检测技术研究进展 |
| 1.2.1 常规的检测方法 |
| 1.2.2 一些新技术 |
| 1.2.3 合成食品色素的检测技术 |
| 1.2.4 中国白酒的检测技术 |
| 1.3 本文的主要研究工作和创新点 |
| 1.3.1 主要研究工作 |
| 1.3.2 主要创新点 |
| 第二章 荧光光谱结合人工神经网络用于食品安全检测的理论基础 |
| 2.1 分子荧光光谱理论 |
| 2.1.1 分子荧光发射过程 |
| 2.1.2 分子荧光与分子结构的关系 |
| 2.1.3 荧光光谱特性参数及其影响因素 |
| 2.2 分子荧光光谱技术 |
| 2.2.1 分子荧光光谱技术的分类 |
| 2.2.2 分子荧光光谱技术的特点 |
| 2.2.3 分子荧光光谱技术的应用和发展 |
| 2.3 人工神经网络技术 |
| 2.3.1 人工神经网络模型 |
| 2.3.2 人工神经网络的学习 |
| 2.3.3 人工神经网络的主要特性和功能 |
| 第三章 应用荧光光谱技术检测合成食品色素 |
| 3.1 研究对象及研究思路 |
| 3.2 合成食品色素的荧光光谱 |
| 3.2.1 合成食品色素的分子结构 |
| 3.2.2 合成食品色素荧光光谱的实验研究 |
| 3.2.2.1 实验仪器和试样 |
| 3.2.2.2 实验方法和结果 |
| 3.2.2.3 分析和讨论 |
| 3.3 应用荧光光谱结合神经网络检测合成食品色素 |
| 3.3.1 四种人工神经网络 |
| 3.3.1.1 BP神经网络 |
| 3.3.1.2 径向基函数神经网络 |
| 3.3.1.3 概率神经网络 |
| 3.3.1.4 小波变换神经网络 |
| 3.3.2 数据提取和处理 |
| 3.3.2.1 数据的提取 |
| 3.3.2.2 数据的处理 |
| 3.3.3 合成食品色素的种类鉴别 |
| 3.3.3.1 胭脂红和苋菜红的鉴别 |
| 3.3.3.2 柠檬黄、日落黄和喹啉黄的鉴别 |
| 3.3.3.3 亮蓝和靛蓝的鉴别 |
| 3.3.3.4 胭脂红、苋菜红、诱惑红和苏丹红Ⅳ的鉴别 |
| 3.3.3.5 六种红色合成食品色素和苏丹红Ⅳ的鉴别 |
| 3.3.4 合成食品色素的浓度测定 |
| 3.3.4.1 单一色素的浓度测定 |
| 3.3.4.2 混合色素的浓度测定 |
| 3.4 本章小结 |
| 第四章 应用荧光光谱技术检测中国白酒 |
| 4.1 研究对象及研究思路 |
| 4.2 中国白酒的荧光光谱 |
| 4.2.1 实验仪器和试样 |
| 4.2.2 实验方法和结果 |
| 4.2.3 分析和讨论 |
| 4.3 应用荧光光谱鉴别中国白酒 |
| 4.3.1 中国白酒荧光光谱图库和特征数据库 |
| 4.3.2 基于荧光光谱的中国白酒鉴别系统 |
| 4.3.2.1 系统的原理和方法 |
| 4.3.2.2 系统的结构和流程 |
| 4.3.2.3 系统的页面和特点 |
| 4.4 本章小结 |
| 第五章 其它相关物质的荧光光谱检测 |
| 5.1 三聚氰胺的荧光光谱检测 |
| 5.1.1 三聚氰胺 |
| 5.1.2 三聚氰胺荧光光谱的测量 |
| 5.1.2.1 仪器、样品和方法 |
| 5.1.2.2 不同浓度三聚氰胺溶液的荧光发射光谱 |
| 5.1.3 用径向基函数神经网络对三聚氰胺溶液浓度的测定 |
| 5.1.3.1 径向基函数神经网络的建立 |
| 5.1.3.2 对三聚氰胺溶液浓度的测定 |
| 5.1.4 牛奶中三聚氰胺浓度的测定 |
| 5.1.4.1 三聚氰胺牛奶溶液的荧光光谱 |
| 5.1.4.2 牛奶溶液中三聚氰胺浓度的测定 |
| 5.2 农药的荧光光谱研究 |
| 5.3 食用油的荧光光谱研究 |
| 5.3.1 实验样品处理及实验方法 |
| 5.3.2 实验结果及分析讨论 |
| 5.4 发酵酒的荧光光谱研究 |
| 5.4.1 黄酒的荧光光谱研究 |
| 5.4.2 啤酒的荧光研究 |
| 5.4.2.1 几种普通啤酒的荧光光谱 |
| 5.4.2.2 基于荧光光谱鉴别无醇啤酒 |
| 5.4.3 葡萄酒的荧光光谱研究 |
| 5.5 本章小结 |
| 第六章 实时荧光光谱检测监控系统 |
| 6.1 在线荧光光谱检测监控系统 |
| 6.1.1 系统的结构及功能特点 |
| 6.1.2 系统的组成及配置要求 |
| 6.1.2.1 激发单元 |
| 6.1.2.2 探测单元 |
| 6.1.2.3 分光、成像单元 |
| 6.1.2.4 检测单元 |
| 6.1.2.5 控制处理单元 |
| 6.1.2.6 输出执行单元 |
| 6.2 现场荧光光谱检测设备 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 附录1:作者在攻读博士学位期间发表的论文 |
| 附录2:作者在攻读博士学位期间主持和参加的主要科研项目 |
（9）基于生物技术与计算机视觉的食品微生物快速检测研究（论文提纲范文）
| 内容提要 |
| 第1章 绪论 |
| 1.1 课题的目的和意义 |
| 1.2 菌落总数检测方法研究现状 |
| 1.2.1 传统方法 |
| 1.2.2 生物发光检测法 |
| 1.2.3 阻抗检测法 |
| 1.2.4 细菌直接计数法 |
| 1.2.4.1 流式细胞术 |
| 1.2.4.2 固相细胞计数法 |
| 1.2.5 微菌落技术 |
| 1.2.6 快速测试片法 |
| 1.2.7 放射测量法 |
| 1.2.8 聚合酶链反应（PCR）法 |
| 1.3 大肠菌群检测方法研究现状 |
| 1.3.1 传统方法 |
| 1.3.2 酶底物法 |
| 1.3.3 直接计数法 |
| 1.3.4 分子生物学法 |
| 1.3.4.1 聚合酶链反应（PCR）法 |
| 1.3.4.2 原位杂交(ISH)法 |
| 1.3.5 试剂盒法 |
| 1.3.6 快速测试片 |
| 1.4 计算机视觉技术及模式识别 |
| 1.4.1 计算机视觉技术的应用进展 |
| 1.4.2 模式识别系统 |
| 1.4.3 模式识别的常用方法 |
| 1.4.3.1 统计模式识别 |
| 1.4.3.2 句法模式识别 |
| 1.4.3.3 模糊模式识别 |
| 1.4.3.4 人工神经网络法 |
| 1.4.3.5 人工智能方法 |
| 1.4.4 模式识别的一般步骤 |
| 1.4.4.1 特征选择 |
| 1.4.4.2 学习和训练 |
| 1.4.4.3 分类识别 |
| 1.5 课题的提出 |
| 1.6 本课题研究的主要内容 |
| 第2章 基于计算机视觉的快速检测系统构建 |
| 2.1 引言 |
| 2.2 系统硬件设计方案 |
| 2.2.1 生物显微镜 |
| 2.2.2 步进电机及其驱动器 |
| 2.2.3 数字摄像机 |
| 2.2.4 AT89S51 单片机 |
| 2.2.5 单片机开发板 |
| 2.2.6 记忆芯片 |
| 2.3 程序设计 |
| 2.3.1 自动采集图片程序设计 |
| 2.3.1.1 图片的采集方式 |
| 2.3.1.2 步进数的计算 |
| 2.3.1.3 脉冲数计算 |
| 2.3.2 采集过程中暂停键和复位键的设计 |
| 2.3.3 手动调节起始位置和手动对焦 |
| 2.3.4 掉电复位程序设计 |
| 2.3.5 自动对焦程序设计 |
| 2.3.5.1 图像清晰度评价函数的确定 |
| 2.3.5.2 聚焦点搜索 |
| 2.4 检测系统的操作步骤 |
| 2.5 系统的优点 |
| 2.6 本章小结 |
| 第3章 活体染色及样品前处理方法的研究 |
| 3.1 引言 |
| 3.2 检测材料 |
| 3.2.1 肉类及其制品 |
| 3.2.2 新鲜果蔬及其产品 |
| 3.2.3 谷物、面粉和面团制品 |
| 3.2.4 饮用水 |
| 3.3 训练样本库的建立 |
| 3.4 活体染色方法研究 |
| 3.4.1 亚甲基蓝染色机理 |
| 3.4.2 亚甲基蓝染色液的配方选择 |
| 3.4.2.1 试验方法 |
| 3.4.2.2 试验结果 |
| 3.5 菌液浓缩方法的研究 |
| 3.5.1 过滤浓缩器设计 |
| 3.5.1.1 试验材料 |
| 3.5.1.2 设计方案 |
| 3.5.2 菌液过滤浓缩的收得率确定 |
| 3.5.2.1 试验方法 |
| 3.5.2.2 试验结果分析 |
| 3.6 前处理步骤的确定 |
| 3.6.1 试验材料和仪器 |
| 3.6.2 试验方法 |
| 3.7 载玻片模板的设计 |
| 3.8 本章小结 |
| 第4章 活菌图像及其特征参数的提取 |
| 4.1 引言 |
| 4.2 图像预处理 |
| 4.3 图像阈值分割 |
| 4.3.1 动态阈值分割 |
| 4.3.2 彩色空间分割 |
| 4.3.2.1 基于R、G、B 颜色特征进行分割 |
| 4.3.2.2 基于H、I、S 颜色特征进行分割 |
| 4.4 二值图像的形态学处理 |
| 4.4.1 二值形态学的基本运算 |
| 4.4.4.1 腐蚀运算 |
| 4.4.4.2 膨胀运算 |
| 4.4.4.3 开运算 |
| 4.4.4.4 闭运算 |
| 4.4.2 菌体细胞边缘的平滑 |
| 4.5 活菌图像的提取 |
| 4.5.1 大区域消除 |
| 4.5.2 空心区域提取 |
| 4.6 填充空心区域及外边缘提取 |
| 4.7 特征参数的提取 |
| 4.7.1 形态特征的提取 |
| 4.7.1.1 链码跟踪 |
| 4.7.1.2 形态特征参数提取 |
| 4.7.1.3 规则度的提出 |
| 4.7.1.4 紧致度的提出 |
| 4.7.2 矩特征的提取 |
| 4.7.2.1 Hu’s 不变矩的计算 |
| 4.7.2.2 Hu’s 不变矩的应用分析 |
| 4.7.3 形态特征参数的选择 |
| 4.7.4 部分形态特征提取结果 |
| 4.7.5 颜色特征参数的提取 |
| 4.7.5.1 颜色特征参数的选择 |
| 4.7.5.2 颜色特征参数提取 |
| 4.7.5.3 颜色特征统计量的计算 |
| 4.8 细菌计数 |
| 4.8.1 单个细菌细胞区域跟踪方法 |
| 4.8.2 多个细菌细胞区域跟踪 |
| 4.9 本章小结 |
| 第5章 识别分类器设计及快速检测准确度分析 |
| 5.1 引言 |
| 5.2 人工神经网络识别 |
| 5.2.1 反向传播算法 |
| 5.2.2 网络参数设计 |
| 5.2.3 BP 网络训练 |
| 5.2.3.1 训练函数的选择 |
| 5.2.3.2 训练过程的调整 |
| 5.3 快速检测准确度分析 |
| 5.3.1 试验样品、仪器及药品 |
| 5.3.2 试验方法 |
| 5.3.3 试验结果分析 |
| 5.3.3.1 与传统方法的相关性分析 |
| 5.3.3.2 独立样本t 检验 |
| 5.3.3.3 其它三类食品的对比试验结果 |
| 5.4 检出限和检测范围的确定 |
| 5.4.1 系统检出限和检出范围的确定 |
| 5.4.1.1 试验方法 |
| 5.4.1.2 试验结果分析 |
| 5.4.2 不同食品样品的检出限 |
| 5.4.2.1 固体食品的检出限 |
| 5.4.2.2 液体食品的检出限 |
| 5.5 重复性试验 |
| 5.6 本章小结 |
| 第6章 基于统计学的大肠菌群快速估算方法 |
| 6.1 引言 |
| 6.2 估算方法的理论基础 |
| 6.3 估算模型分析 |
| 6.3.1 多元回归分析 |
| 6.3.2 趋势面分析 |
| 6.3.2.1 趋势面分析计算方法 |
| 6.3.2.2 计算结果分析 |
| 6.3.3 人工神经网络分析 |
| 6.3.3.1 网络结构的确定 |
| 6.3.3.2 网络估算结果 |
| 6.3.4 最佳模型的确定 |
| 6.4 本章小结 |
| 第7章 结论 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文及取得的科研成果 |
| 致谢 |
| 摘要 |
| ABSTRACT |
（10）基于机器视觉的稻米品质评判方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 米粒大小形状检测 |
| 1.2.2 米粒颜色检测 |
| 1.2.3 米粒缺陷检测 |
| 1.2.4 米粒粘连检测 |
| 1.2.5 其他品质检测 |
| 1.2.6 检测分级系统 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线与研究方法 |
| 参考文献 |
| 第二章 稻米内外品质相关性实验研究 |
| 2.1 稻米内外品质相关性研究现状 |
| 2.2 稻米内外品质实验研究 |
| 2.2.1 不同品种品质相关性分析 |
| 2.2.1.1 材料与方法 |
| 2.2.1.2 实验数据与分析 |
| 2.2.2 单一品种品质相关性分析 |
| 2.2.2.1 材料与方法 |
| 2.2.2.2 实验数据与分析 |
| 2.3 结果与讨论 |
| 参考文献 |
| 第三章 稻米外观品质评判系统及图像处理算法研究 |
| 3.1 稻米外观品质评判系统的构建 |
| 3.1.1 系统方案 |
| 3.1.2 系统组成 |
| 3.1.3 颜色校正 |
| 3.1.4 几何标定 |
| 3.1.5 稳定性分析 |
| 3.2 基于效果评价的多米粒彩色图像分割算法研究 |
| 3.2.1 稻米米粒外观特征描述 |
| 3.2.2 稻米图像特征 |
| 3.2.3 彩色图像分割方法 |
| 3.2.3.1 彩色图像分割研究现状 |
| 3.2.3.2 阈值分割方法 |
| 3.2.4 基于改进UMA法的多米粒彩色图像分割 |
| 3.2.4.1 稻米图像分割效果判定准则 |
| 3.2.4.2 基于效果评判的分割方法选取 |
| 3.2.4.3 基于效果评判的多米粒彩色图像分割 |
| 3.2.5 基于且比雪夫逼近的垩白米垩白区域分割 |
| 3.2.5.1 基于且比雪夫逼近原理的垩白分割算法 |
| 3.2.5.2 分割效果验证 |
| 3.2.5.3 单目视觉应用于垩白区域分割的可行性分析 |
| 3.2.6 多米粒图像形态学滤波及米粒标识 |
| 3.2.6.1 形态学描述 |
| 3.2.6.2 米粒标识 |
| 3.2.7 粘连米粒图像处理算法 |
| 3.3 本章小结 |
| 参考文献 |
| 第四章 稻米图像特征提取与外观品质评判方法研究 |
| 4.1 基于霍特林变换的稻米图像特征提取 |
| 4.1.1 特征提取算法 |
| 4.1.1.1 边界提取 |
| 4.1.1.2 大小、形状特征提取 |
| 4.1.1.3 颜色特征提取 |
| 4.1.2 霍特林变换原理 |
| 4.1.3 算法验证 |
| 4.1.3.1 材料与方法 |
| 4.1.3.2 结果与分析 |
| 4.1.4 稻米图像特征数据库 |
| 4.2 基于多结构神经网络的稻米品质评判方法研究 |
| 4.2.1 基于主成分分析法的特征参数选择 |
| 4.2.1.1 主成分分析原理 |
| 4.2.1.2 计算步骤 |
| 4.2.1.3 结果与分析 |
| 4.2.2 MSNN分类器设计 |
| 4.2.2.1 输入参数选取 |
| 4.2.2.2 MSNN分类器结构 |
| 4.2.2.3 网络训练与效果评价 |
| 4.3 本章小结 |
| 参考文献 |
| 第五章 基于Simulink的稻米动态图像分析 |
| 5.1 Matlab & Simulink介绍 |
| 5.2 基于改进背景差法的稻米动态图像检测 |
| 5.2.1 动态图像采集 |
| 5.2.2 运动目标检测方法 |
| 5.2.3 基于改进背景差法的稻米图像检测算法 |
| 5.2.4 Simulink仿真模型 |
| 5.2.4.1 系统框图 |
| 5.2.4.2 系统调试及结果显示 |
| 5.2.5 动态图像特征提取及效果分析 |
| 5.3 算法优化加速方法 |
| 5.3.1 GPU-CPU多级并行系统 |
| 5.3.2 DSP图像处理结构 |
| 5.4 本章小结 |
| 参考文献 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 附录 |
| 致谢 |
| 攻读博士学位期间发表的论文 |
四、基于图象识别的肠类食品在线检测（论文参考文献）
- [1]基于深度学习的山核桃破壳物料在线识别分选研究[D]. 李文宝. 安徽农业大学, 2021(02)
- [2]基于机器视觉的马铃薯等级分类研究[D]. 刘艳君. 兰州理工大学, 2021(01)
- [3]食品安全大数据可视化关联分析[J]. 陈谊,孙梦,武彩霞,孙小然. 大数据, 2021(02)
- [4]基于多源信息融合的水产养殖安全溯源系统研究[D]. Zhang Bo. 华南农业大学, 2016(05)
- [5]基于颜色的食品品质检测技术现状及展望[J]. 纪滨,许正华,胡学钢,童宝宏. 食品与机械, 2013(04)
- [6]保健酒智能视觉检测机器人技术研究[D]. 周博文. 湖南大学, 2012(06)
- [7]应用计算机视觉评定肉类品质的研究进展[J]. 董庆利,胡孟晗. 现代食品科技, 2011(02)
- [8]荧光光谱技术在食品安全监控中的应用研究[D]. 陈国庆. 江南大学, 2010(07)
- [9]基于生物技术与计算机视觉的食品微生物快速检测研究[D]. 丁筠. 吉林大学, 2010(08)
- [10]基于机器视觉的稻米品质评判方法研究[D]. 刘璎瑛. 南京农业大学, 2010(05)