| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究目的和意义 | 第10-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·近红外光谱技术的农产品品质检测 | 第11-12页 |
| ·机器视觉技术的农产品品质检测 | 第12-13页 |
| ·多源信息融合技术的农产品品质检测 | 第13-14页 |
| ·研究内容与研究方法 | 第14-16页 |
| ·研究内容 | 第14-15页 |
| ·论文内容 | 第15页 |
| ·技术路线 | 第15-16页 |
| 第2章 近红外光谱分析技术板栗分级模型的建立 | 第16-27页 |
| ·概述 | 第16-17页 |
| ·试验材料和试验仪器 | 第17-19页 |
| ·试验材料 | 第17页 |
| ·近红外光谱仪及其参数设置 | 第17-18页 |
| ·光谱的采集 | 第18-19页 |
| ·光谱预处理 | 第19-20页 |
| ·光谱特征提取 | 第20-21页 |
| ·近红外光谱板栗分级模型的建立 | 第21-26页 |
| ·光谱预处理方法优化及最优模型的建立 | 第21-22页 |
| ·主成分因子数的确定 | 第22-23页 |
| ·中间层神经元数的确定 | 第23-24页 |
| ·模型的建立与验证 | 第24-26页 |
| ·小结 | 第26-27页 |
| 第3章 机器视觉技术板栗分级模型的建立 | 第27-42页 |
| ·概述 | 第27-28页 |
| ·试验材料和试验装置 | 第28-29页 |
| ·试验材料 | 第28页 |
| ·试验装置 | 第28-29页 |
| ·图像的采集与保存 | 第29页 |
| ·图像预处理 | 第29-34页 |
| ·图像消噪 | 第30-31页 |
| ·图像分割 | 第31-33页 |
| ·图像合成 | 第33-34页 |
| ·图像特征提取 | 第34-36页 |
| ·颜色特征提取 | 第34页 |
| ·纹理特征提取 | 第34-36页 |
| ·缺陷特征提取 | 第36页 |
| ·机器视觉板栗分级模型的建立 | 第36-40页 |
| ·主成分因子数的确定 | 第37页 |
| ·中间层神经元数的确定 | 第37-38页 |
| ·模型的建立与验证 | 第38-40页 |
| ·小结 | 第40-42页 |
| 第4章 基于近红外光谱和机器视觉的多源信息融合技术的板栗分级检测方法 | 第42-55页 |
| ·概述 | 第42页 |
| ·多源信息融合方式的确定 | 第42-44页 |
| ·数据层融合 | 第43页 |
| ·特征层融合 | 第43-44页 |
| ·决策层融合 | 第44页 |
| ·多源信息融合方法的确定 | 第44-46页 |
| ·随机信息融合方法 | 第45页 |
| ·人工智能信息融合方法 | 第45-46页 |
| ·基于BP神经网络技术的多源信息融合模型 | 第46-50页 |
| ·试验材料与试验方法 | 第46-47页 |
| ·BP神经网络多源信息融合模型的设计 | 第47页 |
| ·BP神经网络多源信息融合模型参数的优化 | 第47-48页 |
| ·BP神经网络多源信息融合模型的建立与验证 | 第48-50页 |
| ·基于最小二乘支持向量机的多源信息融合模型 | 第50-53页 |
| ·最小二乘支持向量机多源信息融合模型的设计 | 第50-51页 |
| ·最小二乘支持向量机多源信息融合模型的优化 | 第51页 |
| ·最小二乘支持向量机多源信息融合模型的建立与验证 | 第51-53页 |
| ·小结 | 第53-55页 |
| 第5章 结论与讨论 | 第55-57页 |
| ·结论 | 第55-56页 |
| ·讨论 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 硕士研究生期间科研工作及发表论文情况 | 第63页 |