| 摘要 | 第11-14页 |
| ABSTRACT | 第14-16页 |
| 缩略语表 | 第17-18页 |
| 1 绪论 | 第18-32页 |
| 1.1 课题研究背景及意义 | 第18-20页 |
| 1.2 国内外研究现状 | 第20-27页 |
| 1.2.1 鸡蛋新鲜度 | 第20-23页 |
| 1.2.2 散黄蛋 | 第23-24页 |
| 1.2.3 鸡蛋外形 | 第24-25页 |
| 1.2.4 鸡蛋裂纹 | 第25-27页 |
| 1.3 高通量在线检测的重要性 | 第27-28页 |
| 1.4 研究内容 | 第28-30页 |
| 1.5 技术路线 | 第30-31页 |
| 1.6 本章小结 | 第31-32页 |
| 2 基于光纤光谱技术的鸡蛋新鲜度快速定量检测 | 第32-52页 |
| 2.1 概述 | 第32-33页 |
| 2.2 试验部分 | 第33-37页 |
| 2.2.1 试验材料 | 第33页 |
| 2.2.2 光谱数据采集 | 第33-35页 |
| 2.2.3 鸡蛋哈夫单位的测量 | 第35-37页 |
| 2.3 光谱数据初步建模分析 | 第37-45页 |
| 2.3.1 划分样本集 | 第37-38页 |
| 2.3.2 光谱预处理方法 | 第38-40页 |
| 2.3.3 基于偏最小二乘回归的鸡蛋新鲜度定量校正模型研究 | 第40-42页 |
| 2.3.4 基于支持向量回归的鸡蛋新鲜度定量校正模型研究 | 第42-45页 |
| 2.3.5 PLSR与SVR两种建模方法的比较 | 第45页 |
| 2.4 光谱数据再处理及建立最终定量模型 | 第45-51页 |
| 2.4.1 基于PCA-SVR的鸡蛋新鲜度校正模型 | 第45-47页 |
| 2.4.2 基于流形学习LLE-SVR的鸡蛋新鲜度校正模型 | 第47-51页 |
| 2.4.3 新鲜度定量模型的比较与确定 | 第51页 |
| 2.5 本章小结 | 第51-52页 |
| 3 基于光纤光谱技术的散黄蛋快速在线识别 | 第52-75页 |
| 3.1 概述 | 第52页 |
| 3.2 试验部分 | 第52-54页 |
| 3.2.1 试验样本获取 | 第52页 |
| 3.2.2 光谱在线动态采集 | 第52-54页 |
| 3.3 光谱数据处理 | 第54-68页 |
| 3.3.1 基于连续投影算法特征波长选择的研究 | 第55-61页 |
| 3.3.2 基于竞争性自适应重加权算法特征波长选择的研究 | 第61-68页 |
| 3.4 基于特征波长的散黄蛋鉴别模型建立与分析 | 第68-74页 |
| 3.4.1 散黄蛋PLS-DA判别模型建立 | 第68-69页 |
| 3.4.2 散黄蛋CART判别模型建立 | 第69-70页 |
| 3.4.3 散黄蛋KNN判别模型建立 | 第70-72页 |
| 3.4.4 散黄蛋SIMCA判别模型建立 | 第72-73页 |
| 3.4.5 不同优选出的散黄蛋分类器比较 | 第73-74页 |
| 3.5 本章小结 | 第74-75页 |
| 4 基于机器视觉的鸡蛋尺寸形状高通量在线检测 | 第75-92页 |
| 4.1 概述 | 第75页 |
| 4.2 图像动态采集系统 | 第75-80页 |
| 4.2.1 系统硬件设计 | 第75-78页 |
| 4.2.2 系统软件设计 | 第78-79页 |
| 4.2.3 采集鸡蛋图像试验 | 第79-80页 |
| 4.3 图像特征提取 | 第80-87页 |
| 4.3.1 鸡蛋图像预处理 | 第80-83页 |
| 4.3.2 边缘轮廓拟合与凸包算法 | 第83-87页 |
| 4.4 特征参数的修正研究 | 第87-88页 |
| 4.5 检验图像处理的精度及尺寸形状分级 | 第88-91页 |
| 4.5.1 两种方法拟合结果比较 | 第88-90页 |
| 4.5.2 尺寸形状的分级验证 | 第90-91页 |
| 4.6 本章小结 | 第91-92页 |
| 5 基于机器视觉的散黄蛋高通量在线检测 | 第92-105页 |
| 5.1 概述 | 第92页 |
| 5.2 图像采集 | 第92-94页 |
| 5.3 图像特征提取 | 第94-97页 |
| 5.3.1 图像预处理 | 第94-95页 |
| 5.3.2 图像特征提取 | 第95-97页 |
| 5.4 基于RGB与HSV颜色空间的散黄蛋图像判别模型建立 | 第97-104页 |
| 5.4.1 随机森林RF建立散黄蛋判别模型 | 第97-102页 |
| 5.4.2 偏最小二乘判别PLS-DA建立散黄蛋判别模型 | 第102-104页 |
| 5.5 RF与PLS-DA模型的比较 | 第104页 |
| 5.6 本章小结 | 第104-105页 |
| 6 基于机器视觉的破损鸡蛋高通量在线检测 | 第105-120页 |
| 6.1 概述 | 第105页 |
| 6.2 试验样本和图像采集 | 第105-108页 |
| 6.2.1 试验样本 | 第105页 |
| 6.2.2 图像采集 | 第105-108页 |
| 6.3 图像预处理 | 第108-113页 |
| 6.3.1 高通滤波 | 第109-110页 |
| 6.3.2 图像增强 | 第110-111页 |
| 6.3.3 消除干扰区域 | 第111-113页 |
| 6.4 识别破损区域 | 第113-118页 |
| 6.4.1 提取区域形状特征参数 | 第113-114页 |
| 6.4.2 基于粒子群PSO优化BP神经网络模型的区域类型判别 | 第114-118页 |
| 6.4.3 消除斑点噪声区域 | 第118页 |
| 6.5 结果验证与分析 | 第118-119页 |
| 6.6 本章小结 | 第119-120页 |
| 7 结论与展望 | 第120-124页 |
| 7.1 主要结论 | 第120-122页 |
| 7.2 论文的主要创新点 | 第122页 |
| 7.3 展望 | 第122-124页 |
| 参考文献 | 第124-138页 |
| 附录A 课题来源 | 第138-139页 |
| 附录B 攻读博士学位期间的主要科研成果 | 第139-140页 |
| 致谢 | 第140-141页 |
