| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 引言 | 第12-17页 |
| 1.1 课题研究背景和意义 | 第12页 |
| 1.2 可见近红外光谱技术、机器视觉和信息融合技术 | 第12-13页 |
| 1.2.1 可见近红外光谱技术 | 第12-13页 |
| 1.2.2 机器视觉技术 | 第13页 |
| 1.2.3 信息融合技术 | 第13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.3.1 外部品质检测国内外研究现状 | 第13-14页 |
| 1.3.2 内部品质检测方面 | 第14页 |
| 1.3.3 信息融合国内外研究现状 | 第14-15页 |
| 1.4 研究内容和技术路线 | 第15-17页 |
| 1.4.1 研究内容 | 第15-16页 |
| 1.4.2 技术路线 | 第16-17页 |
| 1.5 本章小结 | 第17页 |
| 2 河套蜜瓜品质在线检测系统与可见近红外光谱分析 | 第17-26页 |
| 2.1 河套蜜瓜在品质线检测系统 | 第17页 |
| 2.2 蜜瓜图像采集装置及光谱采集装置 | 第17-19页 |
| 2.2.1 图像采集装置 | 第17-18页 |
| 2.2.2 光谱采集装置 | 第18-19页 |
| 2.3 蜜瓜图像与光谱采集过程 | 第19-21页 |
| 2.3.1 图像采集过程 | 第19-20页 |
| 2.3.2 光谱采集过程 | 第20-21页 |
| 2.4 试验样品与指标检测仪器 | 第21-23页 |
| 2.5 可见近红外光谱分析 | 第23-26页 |
| 2.5.1 蜜瓜光谱预处理 | 第23-24页 |
| 2.5.2 特征波长提取 | 第24-25页 |
| 2.5.3 特征波长主成分提取 | 第25-26页 |
| 2.6 本章小结 | 第26页 |
| 3 基于图像信息河套蜜瓜外部品质分析研究 | 第26-38页 |
| 3.1 蜜瓜图像颜色信息提取 | 第27-30页 |
| 3.1.1 RGB颜色空间 | 第27-28页 |
| 3.1.2 HIS颜色空间 | 第28-29页 |
| 3.1.3 L*a*b*颜色空间 | 第29-30页 |
| 3.2 蜜瓜颜色信息提取 | 第30-33页 |
| 3.2.1 读取河套蜜瓜图片并转化成灰度图 | 第30-31页 |
| 3.2.2 阈值分割 | 第31页 |
| 3.2.3 形态学去噪 | 第31-32页 |
| 3.2.4 对图像标记 | 第32页 |
| 3.2.5 提取颜色值 | 第32-33页 |
| 3.3 蜜瓜颜色信息分析 | 第33-35页 |
| 3.4 果形指数计算 | 第35-37页 |
| 3.5 蜜瓜颜色特征主成分分析 | 第37-38页 |
| 3.6 本章小结 | 第38页 |
| 4 基于图像和可见近红外光谱信息融合的河套蜜瓜糖度模型的建立 | 第38-54页 |
| 4.1 信息融合介绍 | 第38-39页 |
| 4.2 BP神经网络原理 | 第39-40页 |
| 4.2.1 BP神经网络模型 | 第39-40页 |
| 4.2.2 BP网络的训练过程 | 第40页 |
| 4.3 颜色特征主成分糖度模型建立 | 第40-47页 |
| 4.3.1 颜色特征主成分BP神经网络糖度模型建立 | 第40-42页 |
| 4.3.2 颜色特征主成分支持向量机糖度模型建立 | 第42-47页 |
| 4.4 可见近红外光谱糖度模型的建立 | 第47-49页 |
| 4.4.1 原始光谱主成分支持向量机糖度模型 | 第47-48页 |
| 4.4.2 原始光谱特征支持向量机糖度模型 | 第48-49页 |
| 4.5 信息融合的支持向量机糖度模型建立 | 第49-53页 |
| 4.5.1 颜色特征和原始光谱特征主成分融合建立糖度模型 | 第49-50页 |
| 4.5.2 颜色信息和原始光谱特征信息融合建立糖度模型 | 第50-51页 |
| 4.5.3 外部特征和原始光谱特征主成分信息融合建立糖度模型 | 第51-52页 |
| 4.5.4 外部特征和原始光谱特征信息融合建立糖度模型 | 第52-53页 |
| 4.6 结果分析 | 第53-54页 |
| 4.6.1 不同建模方法对比 | 第53页 |
| 4.6.2 不同融合对象对比 | 第53-54页 |
| 4.7 本章小结 | 第54页 |
| 5 总结与展望 | 第54-57页 |
| 5.1 论文总结 | 第54-55页 |
| 5.2 今后展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 作者简介 | 第61页 |
