| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 1 前言 | 第11-17页 |
| 1.1 研究目的及意义 | 第11-12页 |
| 1.2 肉制品品质检测 | 第12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 高光谱技术在生鲜肉品质检测中的应用 | 第14-15页 |
| 1.4.1 图像处理技术在农产品检测中研究现状 | 第14-15页 |
| 1.5 本章小结 | 第15-17页 |
| 2 实验材料、设备与方法 | 第17-28页 |
| 2.1 实验材料及理化分析设备 | 第17-19页 |
| 2.1.1 牛肉含水率测定方法 | 第17页 |
| 2.1.2 牛肉含水率测定实验仪器 | 第17-18页 |
| 2.1.3 牛肉蛋白质含量测定方法 | 第18-19页 |
| 2.2 实验设备 | 第19-21页 |
| 2.2.1 高光谱成像硬件组成 | 第19-21页 |
| 2.3 高光谱成像系统软件平台 | 第21-23页 |
| 2.3.1 高光谱系统的黑白校正 | 第21-23页 |
| 2.3.2 移动平台设定 | 第23页 |
| 2.3.3 高光谱成像系统采集数据流程 | 第23页 |
| 2.4 图像处理与识别技术基本原理 | 第23-25页 |
| 2.4.1 图像处理技术 | 第24页 |
| 2.4.2 图像识别技术 | 第24-25页 |
| 2.5 高光谱图像的信息处理技术 | 第25-26页 |
| 2.5.1 高光谱图像检测技术的基本理论 | 第25-26页 |
| 2.5.2 高光谱图像数据的组成 | 第26页 |
| 2.6 高光谱图像数据处理方法 | 第26-27页 |
| 2.7 本章小结 | 第27-28页 |
| 3 高光谱图像信息处理与建模方法 | 第28-39页 |
| 3.1 高光谱图像技术中光谱信息处理方法 | 第28-29页 |
| 3.1.1 光谱信息的预处理方法 | 第28-29页 |
| 3.2 光谱特征的选择方法 | 第29-34页 |
| 3.2.1 连续投影法 | 第30-31页 |
| 3.2.2 主成分分析法 | 第31-34页 |
| 3.3 建立预测模型 | 第34-36页 |
| 3.3.1 人工神经网络模型 | 第34-35页 |
| 3.3.2 偏最小二乘模型 | 第35-36页 |
| 3.4 模型性能评价 | 第36-37页 |
| 3.5 图像纹理特征处理方法 | 第37-38页 |
| 3.5.1 图像增强 | 第37-38页 |
| 3.5.2 图像分割 | 第38页 |
| 3.5.3 图像降噪 | 第38页 |
| 3.6 本章小结 | 第38-39页 |
| 4 基于光谱特征对牛肉含水率及蛋白质含量预测研究 | 第39-49页 |
| 4.1 基于光谱特征对牛肉含水率的预测 | 第40-45页 |
| 4.1.1 材料准备 | 第40-41页 |
| 4.1.2 光谱图像采集 | 第41-43页 |
| 4.1.3 光谱曲线分析 | 第43页 |
| 4.1.4 牛肉含水率预测模型 | 第43-45页 |
| 4.2 基于光谱特征对牛肉蛋白质含量的预测 | 第45-48页 |
| 4.2.1 样本准备 | 第45-47页 |
| 4.2.2 光谱图像采集 | 第47页 |
| 4.2.3 牛肉蛋白质含量预测模型结果分析 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 5 基于图像纹理特征对牛肉含水率及蛋白质含量预测研究 | 第49-59页 |
| 5.1 基于图像纹理特征对牛肉含水率的预测 | 第49-55页 |
| 5.1.1 纹理特征提取 | 第49-51页 |
| 5.1.2 特征数据降维 | 第51-52页 |
| 5.1.3 构建BP神经网络 | 第52-55页 |
| 5.2 基于图像纹理特征对牛肉蛋白质含量的预测 | 第55-58页 |
| 5.3 本章小结 | 第58-59页 |
| 6 结论与展望 | 第59-60页 |
| 6.1 结论 | 第59页 |
| 6.2 展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 | 第65-74页 |
| 攻读硕士学位期间发表的学术论文 | 第74页 |