论文排版要求和范例

1、附件2论文排版要求和范例1、论文采用A4纸大小幅面（297mm210mm），上下左右页边距均设为25mm。每页41行，每行42字。2、论文构成（按顺序依次排列如下）中文题目(不超过25个字，黑体，粗体，小二号)。作者 姓名(宋体，小四，多位作者的署名之间用空格隔开，不同工作单位的作者，在姓名右上角加注阿拉伯数字序号)、单位名称(宋体，小五，写到院或系，标注单位所在城市和邮政编码，并在其工作单位名称之前加与作者姓名序号相同的数字，各工作单位之间连排时以分号“；”隔开)。摘要：（宋体，小五）100300字。包括目的、方法、内容、结果和主要结论，用第三人称语气。关键词：(宋体，小五) 36个，代表文

2、章的主要内容。关键词之间空格分隔。英文题目（Times New Roman，粗体，三号），与中文题目对应。作者 姓名中文汉语拼音（Times New Roman，小四），单位英文（Times New Roman，小五）Abstract：(Times New Roman，小五) 200500英文单词以内，要求中英文摘基本一致。Key words：(Times New Roman，小五) 36个，逗号分隔，要求中文关键词一一对应。正文 引言请直接给出，不加序号和标题。正文要求论点明确，数据可靠，条理清晰，文字精练。正文一级标题（宋体，粗体，四号）、正文二级标题（宋体，粗体，小四号）、正文三级标题（

3、宋体，五号）、正文（宋体，五号），各级标题的编写格式为1 （空两格再接标题）；1.1 （空一格再接标题）；1.1.1 （空一格再接标题）首页注脚 （宋体，小五）第1作者简介：姓名，出生年，性别，学位，工作单位，职务或职称，研究领域与研究方向；主要联系方式。图表 （宋体，粗体，小五）学术、研究论文应适当附图表，图表置于文中的适当位置，要求图表清晰、标注完整。图题注在图下方，表题注在表上方。表格采用“三线”表形式。图表简明扼要，避免重复。图表题及行头、栏头项目、表注和图中文字说明均应附英文。结论 概括主要研究内容，结论，意义及建议、展望。参考文献（宋体，小五）参考文献按在正文中出现的先后次序以序号

4、形式列于文后，文中引参考文献时以序号句末上标。a. 专著、论文集、学位论文、报告 序号主要责任者.文献题名.出版地：出版者，出版年.起止页码。 1 周新年. 架空索道理论与实践. 北京：中国林业出版社, 1996 b. 期刊文章 序号主要责任者，主要责任者.文献题名.刊名，年，卷(期)：起页码-止页码 2 洪伟, 吴承祯. Taylor幂法则模型的遗传算法最优拟合研究. 福建林学院学报, 1997, 17(1): 1-5 c. 论文集中的析出文献 序号析出文献主要责任者.析出文献题名.原文献主要责任者.原文献题名. 出版地：出版者，出版年.析出文献起止页码. 3 钟文发. 非线性规划在可燃毒物

5、配置中的应用. 赵玮. 运筹学的理论与应用中国运筹学会第五届大会论文集. 西安: 西安电子科技大学出版社, 1996. 468-471 致谢 作者认为必要时，可在正文结尾向有关人士或机构表示谢意.3、英文论文格式： 用英文发表，其格式与第2条相同，仅有以下几点差别：（1）从正文开始全部用英文撰写；（2）保留前面的中文题目、作者(仅要姓名)、摘要、关键词，并将其放在英文摘要之后，而英文的作者项按本文第五行“作者”的要求，用英文详细撰写。基于分形特征的水果缺陷快速识别方法李庆中 汪懋华(中国农业大学电子电力工程学院, 北京100083)摘 要： 计算机视觉和图象处理技术在水果自动分选和分级中起着重

6、要的作用。因为缺陷检测的复杂性，水果表面缺陷的快速检测和识别一直是水果自动化分选和分级的障碍。在实数域分形盒维数计算方法的基础上，提出了双金字塔数据形式的盒维数快速计算方法.对于待识别水果图象的可疑缺陷区，提出用5个分形维数作为描述该区域粗糙度和纹理方向性的特征参数，并用所提出的快速计算方法进行计算，然后利用人工神经网络(BP)作为模式识别器，区分水果表面的缺陷区和梗萼凹陷区。试验结果证明了新方法的有效性和准确性，识别准确率为93%，一个可疑缺陷区的判别时间为47ms。关键词： 分形盒维数计算机视觉缺陷水果图象处理A Fast Identification Method for Fruit S

7、urface Defect Based on Fractal CharactersLI Qing-zhong, WANG Mao-hua(PowerandElectronicsEngineeringCollege, ChinaAgricultureUniversity, Beijing 100083)Abstract： Computer vision and image-processing techniques have been found increasingly useful for the fruit automatic quality inspection and defect s

8、orting operation. However, real-time fruit surface defect inspection and recognition is still a challenging project due to its complexity. In this paper, a fast approach for box-dimension estimation based on a dual-pyramid data structure is developed. Utilizing traditional fractal dimension and 4 or

9、iented fractal dimensions as input values, a BP neural network is designed for identifying fruit defect area and stem, calyx concave area. The results of experiment show that the approach is effective for real-time defect identification and is accurate. The rate of correct classification is 93% and

10、the executing time of microcomputer for recognition of one undefined blob on the surface of apple is 47 ms. Keywords： Fractal, Box dimension, Computer vision, Defect, Fruit, Image processing基于计算机视觉的水果自动分级指标主要是水果的大小、形状、颜色和表面缺陷。缺陷的快速分割和识别一直是水果实时分级的障碍，其中一个难以解决的问题就是水果表面的缺陷区和梗萼凹陷区难以区分。Miller等1对桃子的分选试验表明：

11、因不能正确区分水果表面的缺陷和梗、萼凹陷区，由此产生的分级误差为25%左右。Crowe等采取在780nm附近带域内，用结构光由一黑白摄像机进行水果表面的凹陷度检测，试验结果表明：缺陷检测的速度可达5个/秒，但误差较大，如对于苹果，碰伤检测的准确率仅为51%。在水果图象缺陷分割完成后，虽然缺陷区和梗萼凹陷区在灰度图象上都呈现为暗黑色的斑点，直接识别比较困难，但二者在纹理特征上应该有所不同。基于这种想法，本文在分形纹理分析的基础上，研究了水果缺陷区和梗萼凹陷区的快速识别方法。1 分形纹理特征参数的确定和计算1.1 分形盒维数简介Mandelbrot2创立了分形几何理论,提出可用分形位数度量自然现象

12、的不规则程度。分形维数在直观上，与物体表面的粗糙度相吻合。黑白灰度图象可看作是R2中的一个曲面，故可以对其分形维数进行估算。但在实际现象中，还应考虑纹理的方向性。鉴于水果缺陷识别第一作者简介：李庆中，1965年生，男，中国农业大学电子电力工程学院，副教授，博士研究生。主要从事计算机图象处理，农业生物模式识别方面的研究。电话电子邮件：liqinghzhong。的实时性，选用易于快速数学计算和估计的盒维数(box-counting)来估算数字图象的分形维数。1.2 双金字塔数据形式的盒维数快速计算方法图1 有向分维的4个方向Fig. 1 Four directions

13、of Fractal dimension为提取有效的纹理分形特征参数进行缺陷的识别，选取5个分形维数作为识别区的特征参量。包括传统的图象灰度曲面的分形维数，以及如图1所示。2BP神经网络设计神经网络的主要特点是具有很强的自组织能力以及较强的容错能力、联想能力。因此，当对一个网络进行充分的训练或学习后，可利用它对未学习过的模式进行高速、准确的识别，且对于含有噪声的模式具有较强的抗干扰能力。3实验结果及分析为验证有向分维计算的必要性，首先对图5所示的纹理图象，利用设计的程序进行了5个分形纹理特征参数的计算。计算结果如表1所示。表1 纹理结构的5个分形维数Table 1 Five fractal d

14、imensions of texture structure(a)(b)(c)(d)(e)(f)D02.34332.38762.48122.36652.44942.3786D11.20901.09481.35401.13981.38731.2776D21.36731.24211.44711.26151.44131.2488D31.15631.17701.24861.30951.34971.2694D41.37681.28811.38671.30431.41051.34174结论本文提出的双金字塔数据形式的盒维数快速计算方法，可以大大地减少传统实数域分形盒维数的计算量，执行时间仅为传统计算方法的40%左右。利用5个分形维数作为水果图象可疑缺陷区的特征参数，然后利用人工神经网络(BP)作为模式识别器，区分水果表面的缺陷区和梗萼凹陷区，识别精度可达93%，对于水果外部品质实现在线检测和分级有重要的意义。参考文献1 Miller B K et al. Peach defect detection w