本书较为全面地介绍了图像检测与控制技术及其应用实例，旨在为智能装备的开发提供技术思路和方案参考。 上篇“图像检测与控制技术”，主要介绍智能装备中常用的图像处理算法、专业图像处理系统、近红外光谱与高光谱成像和自动控制理论。下篇“应用实例”，从图像检测实例、近红外光谱与高光谱成像技术应用实例、图像检测与控制实例3个方面，精选了19个实例进行细致讲解。 本书内容全面，技术先进，实例丰富，贴近实践，不仅可为从事智能装备设计与开发、图像检测与处理、自动控制技术等相关领域工作的科研人员和技术人员提供专业参考，还可供高等院校相关专业师生学习使用。

上篇图像检测与控制技术 第1章常用图像处理算法001 1.1彩色图像和灰度图像001 1.1.1彩色图像001 1.1.2灰度图像002 1.1.3HSI颜色变换003 1.1.4C语言函数005 1.2边缘检测008 1.2.1边缘与图像处理008 1.2.2基于微分的边缘检测010 1.2.3基于模板匹配的边缘检测011 1.2.4边缘图像的二值化处理013 1.2.5C语言函数013 1.3二值化处理016 1.3.1灰度图像的阈值处理016 1.3.2模态法确定分割阈值017 1.3.3大津(Otsu)法确定分割阈值018 1.3.4基于颜色差分的二值化处理019 1.3.5基于帧间差分的二值化处理022 1.3.6C��言函数024 1.4去噪声处理027 1.4.1移动平均028 1.4.2中值滤波028 1.4.3二值图像的去噪声处理029 1.4.4C语言函数031 1.5几何参数检测034 1.5.1二值图像的特征参数034 1.5.2区域标记036 1.5.3基于特征参数提取物体037 1.5.4基于特征参数消除噪声038 1.5.5C语言函数039 1.6Hough变换045 1.6.1传统Hough变换的直线检测045 1.6.2过已知点Hough变换的直线检测047 1.6.3Hough变换的曲线检测048 1.6.4C语言函数049 1.7深度学习054 1.7.1深度学习基本概念054 1.7.2深度学习的常用方法057 1.7.3卷积神经网络的典型结构066 第2章专业图像处理系统069 2.1通用图像处理系统ImageSys069 2.1.1系统简介069 2.1.2系统主要功能070 2.1.3系统开发平台Sample084 2.2二维运动图像测量分析系统MIAS084 2.2.1系统简介084 2.2.2系统主要功能085 2.2.3系统开发平台MSSample099 2.3三维运动测量分析系统MIAS3D099 2.3.1系统简介099 2.3.2系统主要功能100 2.3.3系统其他功能106 第3章近红外光谱与高光谱成像107 3.1近红外光谱107 3.1.1近红外光谱检测技术简介107 3.1.2近红外光谱检测工作原理109 3.1.3检测过程与方法116 3.2高光谱成像119 3.2.1光谱成像技术简介119 3.2.2高光谱图像检测工作原理120 3.2.3检测过程与方法128 3.3近红外光谱及高光谱成像数据处理方法132 3.3.1近红外光谱及高光谱成像数据预处理方法132 3.3.2数据降维及特征变量选择方法137 3.3.3定性及定量模型的建立方法144 第4章自动控制理论153 4.1控制系统分析153 4.1.1闭环系统基本概念153 4.1.2数学模型157 4.1.3时域分析177 4.1.4频域分析185 4.1.5稳定性与误差分析194 4.2控制系统PID控制209 4.2.1PID控制规律209 4.2.2控制参数确定方法216 4.2.3采用MATLAB的PID仿真分析228 4.2.4数字PID的编程方法231 4.3自抗扰控制234 4.3.1自抗扰控制概述234 4.3.2自适应迭代学习ADRC控制239 4.3.3抗扰实验与结果分析241 下篇应用实例 第5章图像检测实例247 5.1车辆尺寸颜色参数实时检测247 5.1.1项目目标与技术要点247 5.1.2系统构成方案248 5.1.3系统检测方案249 5.1.4车辆进出判断250 5.1.5车辆边沿检测254 5.1.6车辆颜色检测260 5.1.7检测流程261 5.1.8系统影响因素分析262 5.2玉米粒在穗计数263 5.2.1项目目标与技术要点263 5.2.2设备及软件环境264 5.2.3玉米粒在穗计数流程264 5.3马铃薯种薯芽眼识别及点云模型重构274 5.3.1项目背景与技术要点274 5.3.2马铃薯种薯芽眼的图像识别及定位方法研究275 5.3.3马铃薯种薯的点云模型重构方法及质量预测模型研究285 5.3.4项目研究结论295 5.4蝗虫图像识别计数296 5.4.1项目目标与技术要点296 5.4.2蝗虫图像的采集297 5.4.3原图像的调整297 5.4.4静态图像内蝗虫的识别与计数303 5.5基于机器视觉的果树靶标识别314 5.5.1项目目标与技术要点314 5.5.2系统组成与总体检测流程315 5.5.3靶标果树的图像处理方案316 5.5.4靶标果树冠层特征提取324 5.6苗草图像识别325 5.6.1项目背景与目标325 5.6.2苗期除草工况下的快速作物识别326 5.6.3双目立体视觉花椰菜识别算法332 第6章近红外光谱与高光谱成像技术应用实例341 6.1苹果糖度的近红外光谱检测方法341 6.1.1项目目标与技术要点341 6.1.2静态检测装置设计方案341 6.1.3苹果样品的准备与检测344 6.1.4静态采集数据分析347 6.1.5在线动态检测系统的搭建349 6.1.6在线检测系统试验验证351 6.2小麦叶片叶绿素含量的高光谱成像检测方法353 6.2.1项目目标与技术要点353 6.2.2高光谱成像系统搭建353 6.2.3试验材料准备354 6.2.4小麦叶片数据采集354 6.2.5数据处理与分析354 6.3异质鸡肉的近红外光谱检测鉴别研究358 6.3.1项目目标与技术要点358 6.3.2试验材料与方法358 6.3.3PSE、DFD与正常鸡肉的近红外光谱检测鉴别361 6.3.4全光谱分析及特征波长选择363 6.3.5不同波段范围多光谱模型建立及评价365 6.4猪肉细菌总数的高光谱成像检测366 6.4.1研究目标与技术要点366 6.4.2高光谱成像系统搭建366 6.4.3试验材料准备367 6.4.4猪肉样品的检测367 6.4.5目标区域光谱提取与预处理368 6.4.6猪肉表面TVC预测模型建立与分析369 6.5霉菌单菌落的生长光学特征分析及种类判别371 6.5.1试验材料与试验过程371 6.5.2霉菌单菌落的生长特征分析373 6.5.3霉菌单菌落同心环形生长区的特征376 6.5.4霉菌单菌落种类的判别模型建立381 6.6可见/近红外高光谱图像无损鉴别八角茴香与伪品莽草384 6.6.1材料与方法384 6.6.2结果与分析386 6.6.3与常规图像处理方法的比较388 6.7基于高光谱成像技术的生鲜鸡肉糜中大豆蛋白含量检测391 6.7.1材料与方法391 6.7.2结果与分析393 6.8酿酒葡萄成熟度光谱图像检测400 6.8.1酿酒葡萄多光谱图像采集400 6.8.2酿酒葡萄成熟度检测指标与传统方法402 6.8.3多光谱图像处理与指标选择403 6.8.4多光谱图像R分量与葡萄成熟度的关系模型406 第7章图像检测与控制实例408 7.1农田视觉检测与导航系统408 7.1.1项目目标与准备工作408 7.1.2插秧环境导航线检测409 7.1.3水田管理机器人导航路线检测417 7.1.4旱田作业机器人导航路线检测421 7.1.5农田作业视觉导航系统426 7.2玉米种粒图像精选及定向定位装置429 7.2.1项目目标429 7.2.2种粒动态图像精选装置结构与工作原理430 7.2.3吹除装置设计431 7.2.4种粒合格性动态检测方法432 7.2.5图像检测算法435 7.2.6试验结果分析438 7.3基于鹰眼视觉的仿生无人机避障控制442 7.3.1研究背景与目标442 7.3.2避障控制与动态路径规划方法442 7.3.3试验与分析450 7.3.4结论454 7.4谷物联合收割机视觉导航455 7.4.1项目背景与目标455 7.4.2联合收割机视觉导航系统总体方案455 7.4.3联合收割机视觉导航系统平台设计457 7.4.4联合收割机视觉导航图像处理算法研究460 7.4.5联合收割机视觉导航系统路径识别算法研究466 7.4.6联合收割机视觉导航系统试验472 7.5穴盘苗图像识别与补栽控制478 7.5.1项目背景与技术要点478 7.5.2图像采集与预处理479 7.5.3基于深度卷积神经网络的穴盘缺苗识别480 7.5.4穴盘苗抓取角度检测484 7.5.5穴盘补栽控制方法488 7.5.6研究结论492 参考文献494