计算机视觉技术在林木材积测算中的应用研究

计算机视觉技术在林木材积测算中的应用研究

论文摘要

目前国内的木材材积检测技术普遍落后,基于计算机视觉的木材材积检测能在有效地提高检测效率的同时降低成本。虽然该技术的理论研究取得了一定的成绩,但到目前为止在国内还未实现产品化,故本研究有着理论与经济的双重意义。机器代替人劳动是新世纪人类进步的趋势所在,本文顺应技术发展的方向,在综合分析国内外林木材积检测的研究现状基础上,针对以往研究中存在的自适应程度低下、效率不高与精度不足的问题,采用计算机视觉技术对等长堆林木材积的估算问题作了深入的研究。作为林木材积智能化检测的重要补充,本研究首先介绍了计算机视觉技术的概况,分析了计算机视觉的数据采集阶段的要求。接着,着重就人机交互、数据智能处理阶段的数据处理方法进行了富有特色的研究:1、优化了基于均方差的多模板滤波方法,模板选择更好地实现了去噪与细节保留的合理折衷;2、改进了经典的中值滤波方法,该改进方法提高了原有算法对椒盐噪声的鲁棒性;3、使用结合以上二者的图像滤波方法预处理林木端面图像,实验结果表明本文方法的效果好于对比方法;4、综合分析了多种自适应的阈值分割算法,提出结合本文滤波方法的二维熵分割方法,结果表明,本文方法相较于对比算法在有更好的分割准确度的同时有更优秀的自适应性;5、分析了几种边缘检测算子,实现并且比较了各方法在本课题中的应用;6、提出了一种基于分块与梯度均值的自适应边缘检测方法,该方法的检测质量优于比较的算法;7、提出了一种新的性能更好的扫描算法,提高了区域标记过程中的扫描效率;根据该扫描算法实现鲁棒的快速区域标记算法,据此实现干扰区域去除,相较对比方法,本文方法鲁棒性更强而且效率更高;8、利用结合本文自适应阈值分割算法与边缘检测的方法提高了自适应检测的精度。接着介绍了基于计算机视觉的估算所使用的数学模型、测算方法。分析了计算机视觉较人工检测方法的优势。最后,分析、说明了研究过程中的误差和本文的主要成果,讨论了研究工作中存在的不足之处,指出了后续工作的努力方向。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 课题研究的目的与意义
  • 1.2 相关技术国内外研究现状简评
  • 1.3 本研究的主要内容
  • 第二章 计算机视觉技术检测
  • 2.1 计算机视觉的发展
  • 2.2 计算机视觉的分类
  • 2.3 计算机视觉在林木材积测算中的应用研究现状
  • 2.4 计算机视觉的数据获取
  • 第三章 林木端面图像的处理
  • 3.1 平滑
  • 3.1.1 噪声分布特性
  • 3.1.2 平滑滤波方法
  • 3.1.2.1 均值滤波 mean filter
  • 3.1.2.2 中值滤波 median filter
  • 3.1.2.3 频域低通滤波
  • 3.1.3 熵与图像熵
  • 3.1.4 一种新的基于均方差的多模板中值滤波法
  • 3.1.4.1 滤波模板的选择
  • 3.1.4.2 图像椒盐噪声界定
  • 3.1.4.3 改进的中值滤波
  • 3.1.5 实验结果与分析
  • 3.2 阈值分割
  • 3.2.1 直方图法
  • 3.2.1.1 P-tile 法
  • 3.2.1.2 最频法
  • 3.2.1.3 直方图凹面分析法
  • 3.2.2 OTSU 法
  • 3.2.3 熵方法
  • 3.2.3.1 Kapur 熵法
  • 3.2.3.2 二维最大熵法
  • 3.3 基于本文滤波方法与二维熵法林木端面图像分割
  • 3.4 实验结果与分析
  • 3.4.1 滤波效果实验
  • 3.4.2 阈值分割实验
  • 第四章 林木端面图像细分割
  • 4.1 边缘检测
  • 4.1.1 微分算子
  • 4.1.1.1 Sobel(索贝尔)算子
  • 4.1.1.2 Roberts 算子
  • 4.1.1.3 Prewitt 算子
  • 4.1.1.4 Kirsch 算子
  • 4.1.1.5 Laplace 算子
  • 4.1.2 canny 算子
  • 4.1.3 LOG 算子
  • 4.1.4 各算子仿真结果
  • 4.1.5 各算子比较与分析
  • 4.2 一种新的图像自适应边缘检测算法
  • 4.3 去除干扰区域
  • 4.3.1 已改进的算法 A
  • 4.3.2 本文改进的算法
  • 4.3.2.1 链表的数据结构
  • 4.3.2.2 利用观察变量进行搜索的优化
  • 4.3.2.3 算法分析
  • 4.3.3 基于本文改进算法的区域标记算法
  • 4.3.4 干扰区域去除
  • 4.3.5 干扰区域消除结果
  • 4.4 结合边缘检测与分割结果的细分割
  • 4.5 实验结果与分析
  • 第五章 材积估算
  • 5.1 标尺
  • 5.2 材积估算
  • 5.3 实验总结与误差分析
  • 第六章 总结
  • 参考文献
  • 致谢
  • 个人简历、在校期间的研究成果及发表的论文
  • 相关论文文献

    • [1].计算机视觉技术在智能养猪中的研究进展[J]. 中国畜牧杂志 2019(12)
    • [2].浅谈计算机视觉技术进展及其新兴应用[J]. 北京联合大学学报 2020(01)
    • [3].计算机视觉技术在人体行为分析中的研究与应用[J]. 无线互联科技 2020(01)
    • [4].计算机视觉技术及其在自动化中的应用研究[J]. 北京印刷学院学报 2019(S1)
    • [5].计算机视觉技术在农业生产中的应用[J]. 广东蚕业 2019(09)
    • [6].基于计算机视觉技术的手势识别步骤与方法研究[J]. 无线互联科技 2020(03)
    • [7].浅谈计算机视觉技术在机场安全运行及航班保障中的应用[J]. 空运商务 2020(05)
    • [8].计算机视觉技术在农业生产中的应用与展望[J]. 广东蚕业 2019(11)
    • [9].工业领域的计算机视觉技术[J]. 电子技术与软件工程 2020(06)
    • [10].基于计算机视觉技术的车辆远程控制技术研究[J]. 计算机测量与控制 2020(08)
    • [11].计算机视觉技术在农机自动化上的应用与优势分析[J]. 农机使用与维修 2020(10)
    • [12].计算机视觉技术在零件识别中的应用[J]. 中国设备工程 2020(21)
    • [13].智能家居中的计算机视觉技术[J]. 人工智能 2020(05)
    • [14].计算机视觉技术在自动化中的应用探析[J]. 电子世界 2020(20)
    • [15].船舶自动识别系统中的计算机视觉技术应用[J]. 舰船科学技术 2019(02)
    • [16].计算机视觉技术在茶叶领域中的应用现状及展望[J]. 茶叶科学 2019(01)
    • [17].计算机视觉技术在农业上的应用初探[J]. 四川农业与农机 2019(01)
    • [18].计算机视觉技术的应用进展[J]. 人工智能 2019(02)
    • [19].计算机视觉技术在农业上的应用(英文)[J]. Agricultural Science & Technology 2017(11)
    • [20].计算机视觉技术在果园除草机上的应用研究[J]. 农机化研究 2018(03)
    • [21].基于计算机视觉技术的番茄花青素含量检测[J]. 农机化研究 2018(03)
    • [22].计算机视觉技术在农业上的应用[J]. 现代农村科技 2018(03)
    • [23].计算机视觉技术在工业领域中的应用分析[J]. 现代信息科技 2018(01)
    • [24].计算机视觉技术在农业领域的应用[J]. 山西农经 2018(11)
    • [25].农业生产领域计算机视觉技术的应用[J]. 山西农经 2018(11)
    • [26].计算机视觉技术及其在自动化中的应用[J]. 信息与电脑(理论版) 2018(15)
    • [27].论计算机视觉技术在自动化中的应用[J]. 南方农机 2017(05)
    • [28].计算机视觉技术的车型识别应用研究[J]. 单片机与嵌入式系统应用 2017(06)
    • [29].计算机视觉技术及其在工业中应用的研究[J]. 赤子(上中旬) 2017(05)
    • [30].计算机视觉技术及其在自动化中的应用[J]. 电脑知识与技术 2016(03)

    标签:;  ;  ;  ;  ;  

    计算机视觉技术在林木材积测算中的应用研究
    下载Doc文档

    猜你喜欢