| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及研究意义 | 第9-10页 |
| 1.2 高光谱图像技术概述 | 第10-11页 |
| 1.3 高光谱图像技术在无损检测水果中的研究现状 | 第11-13页 |
| 1.3.1 高光谱图像技术在水果外部品质检测中的研究现状 | 第11-12页 |
| 1.3.2 高光谱图像技术在水果内部品质检测中的研究现状 | 第12-13页 |
| 1.4 本文主要研究内容 | 第13-14页 |
| 1.4.1 主要研究内容 | 第13-14页 |
| 1.4.2 主要技术路线 | 第14页 |
| 1.5 本文主要章节安排 | 第14-15页 |
| 2 高光谱图像预处理及苹果糖度硬度标准值测量 | 第15-22页 |
| 2.1 高光谱图像采集系统简介 | 第15-16页 |
| 2.2 实验材料的选取 | 第16页 |
| 2.3 苹果样本图像采集与处理 | 第16-17页 |
| 2.4 光谱数据预处理方法选择 | 第17-20页 |
| 2.4.1 光谱数据预处理简介 | 第17页 |
| 2.4.2 预处理方法选择 | 第17-18页 |
| 2.4.3 光谱数据预处理结果分析 | 第18-20页 |
| 2.5 苹果糖度与果肉硬度标准值的测量 | 第20-21页 |
| 2.5.1 苹果糖度标准值的测量 | 第20页 |
| 2.5.2 苹果硬度标准值的测量 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 3 高光谱图像苹果糖度与果肉硬度模型的建立 | 第22-32页 |
| 3.1 建模方法概述 | 第22-27页 |
| 3.1.1 偏最小二乘回归 | 第22-24页 |
| 3.1.2 BP人工神经网络 | 第24-27页 |
| 3.2 苹果感兴趣区域光谱数据的处理与特征波段的选取 | 第27-28页 |
| 3.3 PLS和BP-ANN建立苹果糖度与果肉硬度预测模型 | 第28-31页 |
| 3.3.1 采用PLS建立预测模型 | 第28-29页 |
| 3.3.2 采用BP建立预测模型 | 第29-31页 |
| 3.4 实验结果比较分析 | 第31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 高光谱图像技术的苹果表面缺陷检测 | 第32-45页 |
| 4.1 苹果表面缺陷检测方法简介 | 第32-38页 |
| 4.1.1 主成分分析法 | 第32-35页 |
| 4.1.2 阈值分割及形态学处理方法 | 第35-38页 |
| 4.2 实验材料的选取及缺陷区域图像的采集与处理 | 第38-40页 |
| 4.2.1 实验材料的选取 | 第38-39页 |
| 4.2.2 缺陷区域图像采集 | 第39页 |
| 4.2.3 光谱数据处理分析 | 第39-40页 |
| 4.3 苹果表面缺陷检测的过程与结果分析 | 第40-44页 |
| 4.3.1 对比分析PCA与MNF的高光谱图像变换 | 第40-41页 |
| 4.3.2 特征波段的选取 | 第41页 |
| 4.3.3 特征波段的MNF变换 | 第41-42页 |
| 4.3.4 损伤苹果的识别分类算法 | 第42-43页 |
| 4.3.5 苹果表面缺陷检测结果分析 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 5 总结与展望 | 第45-46页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 作者简介 | 第49-50页 |
| 致谢 | 第50-51页 |
