一、棉种脱绒技术发展概况（论文文献综述）
顾伟[1]（2021）在《基于机器视觉的棉种外观品质无损检测》文中研究表明种子的质量是整个农业生产的保障,在农产品栽种前对种子进行产前品质检验是保证农产品的产量以及质量的有效方式之一。我国棉花产量巨大,选用优良的棉种进行栽种可以增加棉花的产量,然而脱绒棉种品质分选问题严重制约了我国棉花产业发展。本论文针对实际生产要求,将计算机视觉技术应用到脱绒棉种品质检测当中,以新陆早棉种为研究对象,研发一种精确、高效的脱绒棉种外观品质无损检测方法。主要研究内容以及结果如下:（1）研究了基于HOG（Histogram of Oriented Gradient）特征与SVM（Support Vector Machine）的单粒棉种的破损检测。利用图像处理技术对采集到的单粒脱绒棉种图像进行预处理,并进行图像裁剪,保留中心位置棉种,提取棉种的HOG特征,进行PCA（Principal Component Analysis）主成分分析,将分析得到的100维矩阵进行建模,在SVM线性分类器下对棉种进行破损与完好判别,试验发现提取棉种的HOG特征可以对单粒棉种的破损进行有效的判别,分别使用SVM、LDA（Linear Discriminant Analysis）、KNN（K-Nearest Neighbor）三种分类器对提取到的特征进行分析,其中SVM判别效果最优,准确率达到93.5%,召回率为94.5%,表明提取棉种的HOG特征并使用SVM分类器建模可以对单粒棉种进行破损判别。（2）研究了基于改进SSD（Single Shot Multi Box Detector）的群体棉种的破损检测。利用Res Net50网络代替经典SSD算法中的VGG网络作为SSD的基础网络,能够快速地提取群体棉种图像的特征,对群体脱绒棉种中的破损和位置信息实现了精准识别。试验结果表明:该方法建立的模型对群体棉种中的破损棉种和非破损棉种的检测精度达到96.1%、召回率为97.3%、漏检率为0%;高于经典SSD网络模型的92.5%、96.4%、1.4%。（3）研究了基于改进YOLOV4及视觉算法的棉种双面破损检测。设计了群体棉种双面检测硬件装置。利用亚克力板在强光和白色背景下呈透明的特点,将棉种通过上料装置滑入透明亚克力板的凹槽中,采用两个上下相向放置且水平方向镜头中心点角度为45°的双CCD（Charge Coupled Device）相机分别采集群体棉种的上下两面图像。试验结果表明:该方法建立的模型对群体棉种中的破损棉种和非破损棉种的检测准确率达到95.33%、召回率为94.74%、漏检率为0%;检测效果优于原YOLOV4网络的91.67%、92.21%、1.67%;实现了群体棉种的双面破损信息以及位置信息检测。所建模型对单粒棉种检测准确率达到93.5%,对单面群体棉种检测准确率为96.1%,对双面群体棉种准确率为95.33%。
顾伟[2]（2021）在《基于机器视觉的棉种外观品质无损检测》文中研究表明种子的质量是整个农业生产的保障,在农产品栽种前对种子进行产前品质检验是保证农产品的产量以及质量的有效方式之一。我国棉花产量巨大,选用优良的棉种进行栽种可以增加棉花的产量,然而脱绒棉种品质分选问题严重制约了我国棉花产业发展。本论文针对实际生产要求,将计算机视觉技术应用到脱绒棉种品质检测当中,以新陆早棉种为研究对象,研发一种精确、高效的脱绒棉种外观品质无损检测方法。主要研究内容以及结果如下:（1）研究了基于HOG（Histogram of Oriented Gradient）特征与SVM（Support Vector Machine）的单粒棉种的破损检测。利用图像处理技术对采集到的单粒脱绒棉种图像进行预处理,并进行图像裁剪,保留中心位置棉种,提取棉种的HOG特征,进行PCA（Principal Component Analysis）主成分分析,将分析得到的100维矩阵进行建模,在SVM线性分类器下对棉种进行破损与完好判别,试验发现提取棉种的HOG特征可以对单粒棉种的破损进行有效的判别,分别使用SVM、LDA（Linear Discriminant Analysis）、KNN（K-Nearest Neighbor）三种分类器对提取到的特征进行分析,其中SVM判别效果最优,准确率达到93.5%,召回率为94.5%,表明提取棉种的HOG特征并使用SVM分类器建模可以对单粒棉种进行破损判别。（2）研究了基于改进SSD（Single Shot Multi Box Detector）的群体棉种的破损检测。利用Res Net50网络代替经典SSD算法中的VGG网络作为SSD的基础网络,能够快速地提取群体棉种图像的特征,对群体脱绒棉种中的破损和位置信息实现了精准识别。试验结果表明:该方法建立的模型对群体棉种中的破损棉种和非破损棉种的检测精度达到96.1%、召回率为97.3%、漏检率为0%;高于经典SSD网络模型的92.5%、96.4%、1.4%。（3）研究了基于改进YOLOV4及视觉算法的棉种双面破损检测。设计了群体棉种双面检测硬件装置。利用亚克力板在强光和白色背景下呈透明的特点,将棉种通过上料装置滑入透明亚克力板的凹槽中,采用两个上下相向放置且水平方向镜头中心点角度为45°的双CCD（Charge Coupled Device）相机分别采集群体棉种的上下两面图像。试验结果表明:该方法建立的模型对群体棉种中的破损棉种和非破损棉种的检测准确率达到95.33%、召回率为94.74%、漏检率为0%;检测效果优于原YOLOV4网络的91.67%、92.21%、1.67%;实现了群体棉种的双面破损信息以及位置信息检测。所建模型对单粒棉种检测准确率达到93.5%,对单面群体棉种检测准确率为96.1%,对双面群体棉种准确率为95.33%。
陈强,王国峰,王天佐,王赫,韩宁[3]（2020）在《柔性棉籽脱绒机的设计》文中进行了进一步梳理文中介绍了棉籽脱绒机的整机设计、工作原理、特点、适用范围及效益等。通过检测,该棉籽机械脱绒机加工的棉种破损率,完全符合国家种子质量要求,有效解决了棉种破碎率高,棉（残）绒去除不干净及棉种脱绒过程中残酸的问题,避免酸残留物对环境的污染,有效提高棉种的质量。
黄蒂云,李景彬,尤佳,坎杂[4]（2018）在《基于高光谱技术融合图像信息的脱绒棉种品种分类检测研究》文中指出开展种子品种的识别研究是保证种子质量的重要手段。利用高光谱图像技术融合图像特征信息对脱绒棉种的品种进行判别分析。采集4个品种共240粒脱绒棉种样本的高光谱图像数据（4001 000nm）,提取样本的光谱信息及长、宽、面积、圆形度、等12个形态特征。采用连续投影算法（SPA）选出11个特征波段作为输入结合偏最小二乘判别分析法（PLS-DA）、软独立模式识别法（SIMCA）、最邻近节点算法（KNN）、主成分分析结合线性判别（PCA-LDA）及二次判别（PCA-QDA）进行建模分析,得出PLS-DA建模集和预测集的总体识别率分别为93%和90%。利用图像信息进行建模分析,模型整体的识别率均不高,说明单独使用高光谱图像的形态特征进行分类效果不佳。将特征波段的光谱和形态特征信息进行融合作为输入,建立基于PLS-DA,SIMCA,KNN,PCA-LDA及PCA-QDA的信息融合模型,其精度均比基于光谱或形态信息模型高,其中PLS-DA模型识别效果最好,建模集和预测集总体识别率分别为98%和97%。表明融合高光谱图像的光谱与图像信息可以在少量波段情况下有效的提高脱绒棉种品种的分类检测精度。
林玉闪[5]（2018）在《棉种脱绒的方式及改进——单株棉种钢刷脱绒机构》文中认为棉种的脱绒方式有两种:化学脱绒和机械脱绒,实验表明:机械脱绒与化学脱绒相比,对保护棉种活力及抗低温能力效果较好。基于两者的优缺点,对机械脱绒机构加以改进,发明了单株棉种钢刷脱绒机构。
黄蒂云[6]（2018）在《基于高光谱图像技术的脱绒棉种品种鉴别方法研究》文中研究说明种子的质量关乎整个农业生产的发展,其中种子品种识别检验是保证种子质量的一个重要手段。我国棉花种植的面积比较大,杂交种发展迅速,品种层出不穷,多、乱、杂的现象十分普遍。由于传统的检测方法存在着周期长、过程繁琐等诸多缺点。因此本论文结合农业生产实际要求,将高光谱图像技术引入到脱绒棉种品种分类检测研究中,以710、新陆早41、新陆早50、新陆早57、新陆早62为研究对象,充分利用高光谱图像“图谱合一”的优势,结合化学计量方法,研究出一种方便、高效、快捷的脱绒棉种品种无损鉴定法。主要研究内容和结果如下:（1）融合高光谱图像的光谱和图像信息对脱绒棉种的品种进行识别研究。采用SG平滑及归一化法对棉种的光谱数据进行预处理,利用主动轮廓模型提取出棉种的长、宽、面积、圆形度等12个形态特征参数,选用SPA-GA-PLS投影分析对棉种的光谱和图像特征变量进行筛选,并将筛选出的7个光谱特征变量及5个形状特征变量进行融合,采用PLS-DA,SIMCA,kNN,PCA-LDA及PCA-QDA法建立基于光谱及形状信息融合的棉种分类模型。结果可得:其中PLS-DA模型的预测效果最好,该融合模型的识别精度从原来的93%提升到96%,表明融合高光谱图像的光谱和图像信息可有效的提高模型的识别精度。（2）利用高光谱图像技术探究种子老化对脱绒棉种分类鉴别的影响。对新陆早50、新陆早57、新陆早62三类脱绒棉种进行人工加速老化处理,将种子分为未老化处理、老化24h和老化48h三个等级,采用SPA结合偏最小二乘投影算法,将筛选出特征波长结合PLS-DA,SIMCA,kNN,PCA-LDA及PCA-QDA建立分类模型,从多方面反映种子老化对品种内部及品种间差异的影响。结果表明:六类PLS-DA模型的平均识别精度为96%,说明高光谱图像技术能在一定程度上反映种子老化对棉种差异的影响,从而对脱绒棉种在存储老化过程中的特征变化进行探究,同时为脱绒棉种存储过程的智能监测提供技术支持。（3）基于高光谱图像技术对混杂脱绒棉种进行可视化鉴别。将混杂脱绒棉种特征波长下的高光谱掩膜图像作为输入变量,导入到前期所建的PLS-DA分类模型中,对棉种样本上所有像素点进行预测,结合图像处理技术,得到混杂脱绒棉种的伪彩色可视化图,最终实现混杂脱绒棉种的可视化鉴别。
尤佳[7]（2017）在《基于高光谱图像的脱绒棉种活力检测方法研究》文中提出棉种是棉花生产的基础,棉种的质量直接影响着棉花产量和纤维品质。棉种活力是影响棉种质量的重要指标之一。目前检测脱绒棉种活力的方法存在的问题为检测时间长、劳动强度大、效率低。本文采用高光谱图像技术,以新疆石河子地区广泛种植的新陆早50、新陆早57、新陆早62三个品种的脱绒棉种为研究对象,以脱绒棉种电导率和低温发芽测量的发芽长度为主要指标,对脱绒棉种活力进行无损检测研究。本研究为脱绒棉种活力无损、快速检测提供一种新方法,也为科学、准确评价脱绒棉种活力奠定理论基础。（1）对脱绒棉种活力检测进行了定性分析研究。本研究通过高光谱成像仪采集了经过人工加速老化处理24h、48h及未处理的三个品种的脱绒棉种高光谱图像,将采集完高光谱图像后的脱绒棉种分别进行了脱绒棉种电导率和低温发芽,得到了脱绒棉种活力指标数据。对未处理、人工加速老化24h、和人工加速老化48h的脱绒棉种采用主成分分析降维,以前10个主成分作为输入变量,建立判别分析和支持向量机模型,其中支持向量机中采用K-CV和粒子群算法优化参数,其判别分析模型效果最优,其活力判别精度可达到89.70%。（2）对脱绒棉种电导率进行了定量分析研究。对比分析光谱预处理效果,最后得出采取SNV+一阶微分+S-G平滑和SNV+一阶微分+norris两个组合进行处理后建模效果最佳,新陆早50、新陆早57、新陆早62所采用S-G平滑和Norris平滑所用的点数相同,次数不同;采用Chauvenet和Leverage方法综合比较剔除异常样本;建立了脱绒棉种电导率的PLS、SMLR、PCR模型。结果表明,新陆早50、新陆早57、新陆早62建立模型效果最优均是PLS模型,RMSEP和RMSEC为3846μS/cm,且RMSEP与RMSEC两者相差较小,其Rc和pR均达到了0.88以上。采用si PLS–GA提取了特征波长效果最优,其模型的Rc和pR分别为0.90、0.89,RMSEC和RMSEP分别48.20μS/cm和42.60μS/cm。（3）对脱绒棉种发芽长度进行了定性分析研究。采用低温发芽获得活力参数并进行了定量分析。以新陆早50、新陆早57为研究对象,对其光谱数据进行预处理和剔除异常样本,建立了发芽长度的PLS、SMLR、PCR模型;其中建立PLS模型效果最佳,Rc和Rp达到0.6以上,RMSEC和RMSEP变化范围为1.601.76cm。采用si PLS–GA提取了特征波长效果最优,其模型的cR和pR分别为0.70、0.65,RMSEC和RMSEP分别1.57cm、1.60cm。（4）以MATLAB为开发平台,设计了一套脱绒棉种活力检测软件。该软件的功能模块包括五部分,分别是数据导入功能模块、光谱数据预处理功能模块、脱绒棉种建模样本选取功能模块、建模波段选择功能模块、活力检测功能模块。
马仁杰,马明銮,郭广,陈强,浦军海[8]（2017）在《棉种硫酸脱绒技术的演变》文中研究说明概述了棉种硫酸脱绒技术分类及其演变,分析了3种稀硫酸脱绒技术的异同以及酸溶液脱绒技术的优势。
董翠翠,李景彬,坎杂,王晓华,王晨,彭顺正[9]（2015）在《基于机器视觉的脱绒棉种染色特征的提取算法》文中指出针对种子活力四唑染色法检测中由于人工视觉疲劳、劳动强度大等因素引起的人工误判情况,提出了一种基于机器视觉的脱绒棉种染色特征的提取算法。此算法是在随机选取了庄稼汉品种的脱绒棉种进行四唑试验后进行的,通过对染色棉种进行图像采集,对图像进行灰度变换、HSI颜色空间转换、中值滤波、自动阈值分割等预处理,经去噪、补洞后得到整粒脱绒棉种的面积和染色部分的面积。同时,计算出图像染色比例,为脱绒棉种活力在线检测奠定理论基础。
李景彬,尤佳,董翠翠,坎杂,彭顺正[10]（2015）在《基于颜色特征的脱绒棉种电导率检测方法研究》文中研究指明主要探讨脱绒棉种颜色特征与种子活力之间的相关性,搭建脱绒棉种图像采集平台,并进行图像处理算法的研究。在RGB、HSV和I1I2I3颜色模型下提取颜色特征参数,同时进行脱绒棉种电导率的测定,采用SPSS19对各颜色特征参数与脱绒棉种电导率值进行相关性分析,结果表明脱绒棉种部分外观颜色特征参数与其电导率值之间相关性显着。基于BP神经网络的脱绒棉种内部品质检测模型,取脱绒棉种鼎丰10和新陆早45各300粒对模型进行训练,当鼎丰10和新陆早45隐含层的结点数分别选择为8和7时,网络均方误差和函数收敛效果较好,然后将脱绒棉种鼎丰10和新陆早45各取100粒对训练好的网络模型进行验证,结果表明用BP神经网络的检测精度分别可达到82.7%、86.1%。
二、棉种脱绒技术发展概况（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、棉种脱绒技术发展概况（论文提纲范文）
（1）基于机器视觉的棉种外观品质无损检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的目的与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 脱绒棉种的品质分选 |
| 1.2.2 深度学习在农产品的应用 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 第二章 基于HOG特征与SVM的单粒棉种破损检测方法 |
| 2.1 引言 |
| 2.2 单粒脱绒棉种图像采集平台设计 |
| 2.3 试验材料与研究方法 |
| 2.3.1 试验材料 |
| 2.3.2 图像采集 |
| 2.3.3 棉种图像的HOG特征提取 |
| 2.4 棉种破损检测模型建立 |
| 2.4.1 基于PCA主成分分析的数据降维 |
| 2.4.2 基于SVM的检测模型 |
| 2.5 本章小结 |
| 第三章 基于改进SSD群体棉种破损检测方法 |
| 3.1 引言 |
| 3.2 试验材料与图像采集方法 |
| 3.2.1 试验材料 |
| 3.2.2 视觉采集系统 |
| 3.2.3 数据集准备 |
| 3.3 基于改进SSD群体棉种破损检测模型 |
| 3.3.1 改进前SSD模型结构 |
| 3.3.2 改进SSD模型 |
| 3.3.3 基于Res Net50 改进SSD模型 |
| 3.3.4 训练参数设置 |
| 3.3.5 迁移学习 |
| 3.4 YOLOV3 棉种检测模型 |
| 3.5 检测模型训练 |
| 3.6 结果分析 |
| 3.6.1 评价指标 |
| 3.6.2 结果讨论 |
| 3.7 本章小结 |
| 第四章 基于改进YOLOV4 的群体棉种双面破损检测 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 试验材料 |
| 4.2.2 试验装置 |
| 4.2.3 检测装置控制系统 |
| 4.2.4 图像采集方法 |
| 4.3 基于改进YOLOV4 的破损棉种检测模型 |
| 4.3.1 YOLO模型 |
| 4.3.2 改进前YOLOV4 结构 |
| 4.3.3 YOLOV4 检测原理 |
| 4.3.4 改进YOLOV4 结构 |
| 4.3.5 nms非极大值抑制 |
| 4.3.6 模型训练 |
| 4.4 SSD-Mobilenetv3棉种检测模型 |
| 4.5 模型评价与结果分析 |
| 4.5.1 评价指标 |
| 4.5.2 结果分析 |
| 4.5.3 结果讨论 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 附录 |
| 参考文献 |
| 攻读硕士学位期间科研成果 |
| 致谢 |
（2）基于机器视觉的棉种外观品质无损检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的目的与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 脱绒棉种的品质分选 |
| 1.2.2 深度学习在农产品的应用 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 第二章 基于HOG特征与SVM的单粒棉种破损检测方法 |
| 2.1 引言 |
| 2.2 单粒脱绒棉种图像采集平台设计 |
| 2.3 试验材料与研究方法 |
| 2.3.1 试验材料 |
| 2.3.2 图像采集 |
| 2.3.3 棉种图像的HOG特征提取 |
| 2.4 棉种破损检测模型建立 |
| 2.4.1 基于PCA主成分分析的数据降维 |
| 2.4.2 基于SVM的检测模型 |
| 2.5 本章小结 |
| 第三章 基于改进SSD群体棉种破损检测方法 |
| 3.1 引言 |
| 3.2 试验材料与图像采集方法 |
| 3.2.1 试验材料 |
| 3.2.2 视觉采集系统 |
| 3.2.3 数据集准备 |
| 3.3 基于改进SSD群体棉种破损检测模型 |
| 3.3.1 改进前SSD模型结构 |
| 3.3.2 改进SSD模型 |
| 3.3.3 基于Res Net50 改进SSD模型 |
| 3.3.4 训练参数设置 |
| 3.3.5 迁移学习 |
| 3.4 YOLOV3 棉种检测模型 |
| 3.5 检测模型训练 |
| 3.6 结果分析 |
| 3.6.1 评价指标 |
| 3.6.2 结果讨论 |
| 3.7 本章小结 |
| 第四章 基于改进YOLOV4 的群体棉种双面破损检测 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.2.1 试验材料 |
| 4.2.2 试验装置 |
| 4.2.3 检测装置控制系统 |
| 4.2.4 图像采集方法 |
| 4.3 基于改进YOLOV4 的破损棉种检测模型 |
| 4.3.1 YOLO模型 |
| 4.3.2 改进前YOLOV4 结构 |
| 4.3.3 YOLOV4 检测原理 |
| 4.3.4 改进YOLOV4 结构 |
| 4.3.5 nms非极大值抑制 |
| 4.3.6 模型训练 |
| 4.4 SSD-Mobilenetv3棉种检测模型 |
| 4.5 模型评价与结果分析 |
| 4.5.1 评价指标 |
| 4.5.2 结果分析 |
| 4.5.3 结果讨论 |
| 4.6 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 附录 |
| 参考文献 |
| 攻读硕士学位期间科研成果 |
| 致谢 |
（3）柔性棉籽脱绒机的设计（论文提纲范文）
| 0 引言 |
| 1 棉籽脱绒机的设计 |
| 1.1 整机设计 |
| 1.2 工作原理 |
| 2 特点 |
| 3 适用范围 |
（4）基于高光谱技术融合图像信息的脱绒棉种品种分类检测研究（论文提纲范文）
| 引言 |
| 1 实验部分 |
| 1.1 样本 |
| 1.2 高光图像采集与校正 |
| 1.3 光谱特征参数的提取及预处理 |
| 1.4 图像特征参数的提取 |
| 1.5 特征波段的选取 |
| 1.6 分类建模方法 |
| 2 结果与讨论 |
| 2.1 基于光谱特征信息的脱绒棉种品种分类 |
| 2.2 基于形态特征信息的脱绒棉种品种分类 |
| 2.3 基于光谱和图像信息融合的脱绒棉种品种分类 |
| 3 结论 |
（5）棉种脱绒的方式及改进——单株棉种钢刷脱绒机构（论文提纲范文）
| 1 不同脱绒方式对棉种的影响 |
| 1.1 不同脱绒方式对棉种吸水速率的影响 |
| 1.2 不同脱绒方式对棉种活力的影响 |
| 2 单株棉种钢刷脱绒机构 |
| 3 结束语 |
（6）基于高光谱图像技术的脱绒棉种品种鉴别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 脱绒棉种品种鉴别研究进展 |
| 1.2.2 高光谱图像技术在种子分类检测方面的研究进展 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 第二章 试验材料与方法 |
| 2.1 试验材料 |
| 2.1.1 样本的选取 |
| 2.1.2 样本老化处理 |
| 2.2 脱绒棉种高光谱图像采集 |
| 2.2.1 高光谱成像系统 |
| 2.2.2 高光谱图像采集 |
| 2.3 脱绒棉种光谱特征提取 |
| 2.3.1 感兴趣区域的提取 |
| 2.3.2 光谱预处理 |
| 2.4 脱绒棉种图像特征提取 |
| 2.4.1 图像预处理 |
| 2.4.2 图像分割 |
| 2.4.3 形状特征的提取 |
| 2.5 特征波段选取 |
| 2.5.1 连续投影法 |
| 2.5.2 偏最小二乘投影法 |
| 2.5.3 遗传算法 |
| 2.6 建模分析方法 |
| 2.7 模型评价指标 |
| 2.8 本章小结 |
| 第三章 基于光谱和形状信息融合的脱绒棉种品种识别研究 |
| 3.1 引言 |
| 3.2 基于光谱特征信息的脱绒棉种品种分类 |
| 3.2.1 基于全波段光谱特征下的脱绒棉种品种分类 |
| 3.2.2 基于特征波段的脱绒棉种品种分类 |
| 3.3 基于形态特征信息的脱绒棉种品种分类 |
| 3.3.1 形状特征分析 |
| 3.3.2 基于形状特征的脱绒棉种品种分类 |
| 3.4 基于光谱及形态特征信息融合的脱绒棉种品种分类 |
| 3.5 本章小结 |
| 第四章 基于高光谱图像的老化脱绒棉种鉴别研究 |
| 4.1 引言 |
| 4.2 同类品种不同老化程度的脱绒棉种品种识别研究 |
| 4.2.1 样本光谱曲线及光谱主成分分析 |
| 4.2.2 特征波长的选取 |
| 4.2.3 建模分析 |
| 4.3 同等老化程度不同品种的脱绒棉种品种识别 |
| 4.3.1 样本光谱曲线及光谱主成分分析 |
| 4.3.2 特征波长的选取 |
| 4.3.3 建模分析 |
| 4.4 本章小结 |
| 第五章 基于高光谱图像的脱绒棉种可视化鉴别分析 |
| 5.1 引言 |
| 5.2 可视化样本的选取 |
| 5.3 脱绒棉种混杂种子可视化鉴别 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 附件 |
（7）基于高光谱图像的脱绒棉种活力检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 国外基于高光谱图像技术的种子品质研究现状 |
| 1.2.2 国内基于高光谱图像技术的种子品质研究现状 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 本章小结 |
| 第二章 试验材料与方法 |
| 2.1 试验材料 |
| 2.1.1 样本采集 |
| 2.1.2 样本预处理 |
| 2.2 脱绒棉种高光谱图像采集 |
| 2.2.1 高光谱成像系统 |
| 2.2.2 高光谱图像采集 |
| 2.3 高光谱图像RIO提取 |
| 2.4 光谱预处理方法 |
| 2.4.1 光谱归一化 |
| 2.4.2 卷积平滑 |
| 2.4.3 多元散射校正 |
| 2.4.4 变量标准化 |
| 2.4.5 光谱数据的微分 |
| 2.5 异常样本剔除 |
| 2.5.1 Chauvenet检测方法 |
| 2.5.2 Leverage剔除异常样本 |
| 2.6 脱绒棉种活力测定 |
| 2.6.1 脱绒棉种电导率 |
| 2.6.2 脱绒棉种低温发芽 |
| 2.7 脱绒棉种活力预测建模方法 |
| 2.7.1 定性分析 |
| 2.7.2 定量分析 |
| 2.8 特征波段筛选 |
| 2.8.1 联合区间偏最小二乘法 |
| 2.8.2 遗传算法 |
| 2.9 定量分析模型评价 |
| 2.10 本章小结 |
| 第三章 基于高光谱图像的脱绒棉种电导率预测方法研究 |
| 3.1 脱绒棉种电导率测定 |
| 3.2 定性分析 |
| 3.2.1 特征分析 |
| 3.2.2 判别分析 |
| 3.2.3 支持向量机 |
| 3.3 定量分析 |
| 3.3.1 异常样本剔除 |
| 3.3.2 光谱预处理 |
| 3.3.3 脱绒棉种电导率模型的建立与评价 |
| 3.4 不同特征波段对脱绒棉种高光谱模型的影响 |
| 3.4.1 si-PLS提取特征波长 |
| 3.4.2 siPLS -GA提取特征波长 |
| 3.4.3 特征波长下PLS模型比较 |
| 3.5 本章小结 |
| 第四章 基于高光谱图像的脱绒棉种发芽长度预测方法研究 |
| 4.1 脱绒棉种发芽长度测定 |
| 4.2 异常样本的剔除 |
| 4.2.1 光谱异常样本剔除 |
| 4.2.2 发芽长度异常样本剔除 |
| 4.3 光谱数据的预处理 |
| 4.4 脱绒棉种发芽长度模型的建立与评价 |
| 4.5 不同特征波段对脱绒棉种高光谱模型的影响 |
| 4.5.1 si-PLS提取特征波长 |
| 4.5.2 siPLS-GA提取特征波长 |
| 4.5.3 特征波长下PLS模型比较 |
| 4.6 脱绒棉种电导率与发芽长度预测结果与讨论 |
| 4.7 本章小结 |
| 第五章 基于高光谱图像的脱绒棉种活力检测软件设计 |
| 5.1 活力检测软件的设计 |
| 5.2 活力检测软件的功能模块 |
| 5.3 活力检测软件的功能介绍 |
| 5.3.1 光谱及活力数据读入 |
| 5.3.2 光谱预处理 |
| 5.3.3 样本选择 |
| 5.3.4 建模波段选择 |
| 5.3.5 建模方法选择 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 导师评阅表 |
（8）棉种硫酸脱绒技术的演变（论文提纲范文）
| 1 棉种硫酸脱绒技术的分类与演变 |
| 1.1 分类 |
| 1.2 棉种稀硫酸脱绒技术演变 |
| 2 棉种稀硫酸脱绒技术的共性 |
| 3 棉种3大类稀硫酸脱绒工艺技术的区别 |
| 3.1 泡沫酸脱绒 |
| 3.2 过量式稀硫酸脱绒 |
| 3.3 酸溶液脱绒 |
| 4 结论 |
（9）基于机器视觉的脱绒棉种染色特征的提取算法（论文提纲范文）
| 0 引言 |
| 1 材料与方法 |
| 1. 1 供试脱绒棉种及设备 |
| 1. 2 试验方法 |
| 2 图像处理 |
| 2. 1 脱绒棉种染色图像采集系统 |
| 2. 2 颜色模型 |
| 2. 3 滤波消噪 |
| 2. 4 图像分割 |
| 2. 5 图像染色比例的计算与提取 |
| 3 结果与分析 |
| 4 结论 |
（10）基于颜色特征的脱绒棉种电导率检测方法研究（论文提纲范文）
| 0引言 |
| 1图像采集与图像处理 |
| 1.1图像获取装置 |
| 1.2电导率测定 |
| 1.3图像预处理 |
| 1.4特征参数提取 |
| 2数据分析 |
| 3结论 |
四、棉种脱绒技术发展概况（论文参考文献）
- [1]基于机器视觉的棉种外观品质无损检测[D]. 顾伟. 华中农业大学, 2021(02)
- [2]基于机器视觉的棉种外观品质无损检测[D]. 顾伟. 华中农业大学, 2021
- [3]柔性棉籽脱绒机的设计[J]. 陈强,王国峰,王天佐,王赫,韩宁. 新疆农机化, 2020(05)
- [4]基于高光谱技术融合图像信息的脱绒棉种品种分类检测研究[J]. 黄蒂云,李景彬,尤佳,坎杂. 光谱学与光谱分析, 2018(07)
- [5]棉种脱绒的方式及改进——单株棉种钢刷脱绒机构[J]. 林玉闪. 南方农机, 2018(12)
- [6]基于高光谱图像技术的脱绒棉种品种鉴别方法研究[D]. 黄蒂云. 石河子大学, 2018(12)
- [7]基于高光谱图像的脱绒棉种活力检测方法研究[D]. 尤佳. 石河子大学, 2017(01)
- [8]棉种硫酸脱绒技术的演变[J]. 马仁杰,马明銮,郭广,陈强,浦军海. 中国棉花, 2017(02)
- [9]基于机器视觉的脱绒棉种染色特征的提取算法[J]. 董翠翠,李景彬,坎杂,王晓华,王晨,彭顺正. 农机化研究, 2015(11)
- [10]基于颜色特征的脱绒棉种电导率检测方法研究[J]. 李景彬,尤佳,董翠翠,坎杂,彭顺正. 中国农机化学报, 2015(04)