| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 基于图像处理技术的无损检测 | 第11-13页 |
| 1.2.2 基于光谱技术的无损检测 | 第13-15页 |
| 1.2.3 基于高光谱图像技术的无损检测 | 第15-16页 |
| 1.3 本文的主要研究内容 | 第16-18页 |
| 1.3.1 主要研究内容 | 第16-17页 |
| 1.3.2 技术路线 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 样本制备和数据采集 | 第19-25页 |
| 2.1 样本制备 | 第19页 |
| 2.2 高光谱数据采集 | 第19-21页 |
| 2.2.1 高光谱图像系统 | 第19-20页 |
| 2.2.2 高光谱图像的采集与校正 | 第20-21页 |
| 2.3 标准化学值的测定 | 第21-24页 |
| 2.3.1 茶叶水分含量的测定 | 第21-22页 |
| 2.3.2 茶叶总糖含量的测定 | 第22-23页 |
| 2.3.3 茶叶霉菌菌落总数的测定 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 相关算法研究 | 第25-34页 |
| 3.1 光谱数据预处理 | 第25-26页 |
| 3.1.1 Savitzky-Golay卷积平滑法 | 第25页 |
| 3.1.2 多元散射校正 | 第25-26页 |
| 3.2 变量选择方法 | 第26-28页 |
| 3.2.1 基于CARS算法的变量选择 | 第26-27页 |
| 3.2.2 基于IRIV算法的变量选择 | 第27-28页 |
| 3.3 定量分析建模算法 | 第28-33页 |
| 3.3.1 BP定量预测模型 | 第28-30页 |
| 3.3.2 BA-BP定量预测模型 | 第30-33页 |
| 3.4 模型性能的评价指标 | 第33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 检测机理的研究与验证 | 第34-38页 |
| 4.1 检测机理的研究 | 第34页 |
| 4.2 检测机理的验证 | 第34-37页 |
| 4.3 本章小结 | 第37-38页 |
| 第5章 基于高光谱图像的茶叶光谱和图像信息提取 | 第38-45页 |
| 5.1 样本感兴趣区域的提取 | 第38-39页 |
| 5.2 样本光谱信息的提取 | 第39页 |
| 5.3 样本图像信息的提取 | 第39-44页 |
| 5.3.1 纹理特征提取 | 第40-42页 |
| 5.3.2 颜色特征提取 | 第42-44页 |
| 5.4 本章小结 | 第44-45页 |
| 第6章 基于高光谱图像技术的茶叶霉菌菌落总数定量检测模型研究 | 第45-55页 |
| 6.1 基于光谱信息的茶叶霉菌菌落总数预测模型研究 | 第45-50页 |
| 6.1.1 光谱数据预处理 | 第45-46页 |
| 6.1.2 变量选择 | 第46-48页 |
| 6.1.3 基于光谱信息的茶叶霉菌菌落总数预测模型建立 | 第48-50页 |
| 6.2 基于图像信息的茶叶霉菌菌落总数预测模型研究 | 第50-52页 |
| 6.2.1 变量选择 | 第50页 |
| 6.2.2 基于图像信息的茶叶霉菌菌落总数预测模型建立 | 第50-52页 |
| 6.3 基于融合信息的茶叶霉菌菌落总数预测模型研究 | 第52-53页 |
| 6.3.1 变量选择 | 第52页 |
| 6.3.2 基于融合信息的茶叶霉菌菌落总数预测模型建立 | 第52-53页 |
| 6.4 不同模型结果比较 | 第53-54页 |
| 6.5 本章小结 | 第54-55页 |
| 第7章 总结与展望 | 第55-58页 |
| 7.1 论文工作总结 | 第55-56页 |
| 7.2 展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间获得的学术成果 | 第65页 |
