| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究的目的和意义 | 第13-15页 |
| 1.2 蔬菜品质检测方法研究现状 | 第15-16页 |
| 1.3 机器视觉在蔬菜品质检测中的应用 | 第16-17页 |
| 1.4 电子鼻在蔬菜品质检测中的应用 | 第17-18页 |
| 1.5 高光谱在蔬菜品质检测中的应用 | 第18-20页 |
| 1.6 本研究的主要内容 | 第20-22页 |
| 第二章 番茄成熟度相关指标的理化检测 | 第22-30页 |
| 2.1 试验材料 | 第22-23页 |
| 2.2 硬度测定 | 第23-26页 |
| 2.2.1 硬度检测方法 | 第23页 |
| 2.2.2 硬度测定结果与分析 | 第23-26页 |
| 2.3 番茄红素测定 | 第26-29页 |
| 2.3.1 番茄红素检测方法 | 第26-27页 |
| 2.3.2 番茄红素含量的结果与分析 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 番茄成熟度的机器视觉检测方法研究 | 第30-53页 |
| 3.1 机器视觉硬件系统的搭建 | 第30-32页 |
| 3.2 图像采集 | 第32页 |
| 3.3 图像处理 | 第32-38页 |
| 3.3.1 颜色模型选择 | 第32-36页 |
| 3.3.2 番茄图像分割 | 第36-38页 |
| 3.4 颜色特征提取 | 第38-41页 |
| 3.5 番茄成熟度的机器视觉检测结果 | 第41-46页 |
| 3.5.1 Fisher判别分析 | 第42-43页 |
| 3.5.2 支持向量机识别模型与回归分析 | 第43-44页 |
| 3.5.3 基于机器视觉的番茄成熟度Fisher判别模型识别结果 | 第44-45页 |
| 3.5.4 基于机器视觉的番茄成熟度支持向量机模型识别结果 | 第45-46页 |
| 3.6 番茄硬度和番茄红素含量的机器视觉预测结果 | 第46-51页 |
| 3.6.1 偏最小二乘法 | 第47页 |
| 3.6.2 基于机器视觉的番茄硬度偏最小二乘模型预测结果 | 第47-48页 |
| 3.6.3 基于机器视觉的番茄硬度支持向量机模型预测结果 | 第48-49页 |
| 3.6.4 基于机器视觉的番茄红素偏最小二乘模型预测结果 | 第49-50页 |
| 3.6.5 基于机器视觉的番茄红素支持向量机模型预测结果 | 第50-51页 |
| 3.7 本章小结 | 第51-53页 |
| 第四章 番茄成熟度的电子鼻检测方法研究 | 第53-64页 |
| 4.1 电子鼻检测原理 | 第53-54页 |
| 4.2 电子鼻传感器阵列 | 第54页 |
| 4.3 电子鼻信息采集 | 第54-55页 |
| 4.4 番茄成熟度的电子鼻检测结果 | 第55-58页 |
| 4.4.1 K-近邻法 | 第55-56页 |
| 4.4.2 基于电子鼻的K-近邻模型对番茄成熟度的识别结果 | 第56-57页 |
| 4.4.3 基于电子鼻的支持向量机模型对番茄成熟度的识别结果 | 第57-58页 |
| 4.5 番茄硬度和番茄红素含量的电子鼻预测结果 | 第58-63页 |
| 4.5.1 基于电子鼻的偏最小二乘模型对番茄硬度的预测结果 | 第58-59页 |
| 4.5.2 基于电子鼻的支持向量机模型对番茄硬度的预测结果 | 第59-60页 |
| 4.5.3 基于电子鼻的偏最小二乘模型对番茄红素的预测结果 | 第60-61页 |
| 4.5.4 基于电子鼻的支持向量机模型对番茄红素的预测结果 | 第61-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 基于机器视觉和电子鼻融合信息的番茄成熟度检测方法研究 | 第64-74页 |
| 5.1 多传感器信息融合的原理和方法 | 第64-66页 |
| 5.2 基于融合信息的番茄成熟度支持向量机模型识别结果 | 第66-68页 |
| 5.3 基于融合信息的番茄硬度和番茄红素支持向量机预测结果 | 第68-71页 |
| 5.3.1 基于融合信息的番茄硬度支持向量机预测结果 | 第69-70页 |
| 5.3.2 基于融合信息的番茄红素支持向量机预测结果 | 第70-71页 |
| 5.4 融合技术与单一技术的建模结果比较 | 第71-73页 |
| 5.4.1 融合技术与单一技术的成熟度识别结果比较 | 第71页 |
| 5.4.2 融合技术与单一技术的番茄硬度和番茄红素的预测结果比较 | 第71-73页 |
| 5.5 本章小结 | 第73-74页 |
| 第六章 番茄成熟度的高光谱检测方法研究 | 第74-85页 |
| 6.1 高光谱检测系统 | 第74-75页 |
| 6.2 光谱信息的提取 | 第75-76页 |
| 6.3 光谱数据的预处理 | 第76-77页 |
| 6.4 番茄成熟度的高光谱检测结果与分析 | 第77-83页 |
| 6.4.1 全光谱支持向量机模型对番茄成熟度的识别结果 | 第77页 |
| 6.4.2 联合区间-支持向量机模型对番茄成熟度的识别结果 | 第77-79页 |
| 6.4.3 全光谱支持向量机模型对番茄硬度的预测结果 | 第79-80页 |
| 6.4.4 遗传算法-支持向量机模型对番茄硬度的预测结果 | 第80-81页 |
| 6.4.5 全光谱支持向量机模型对番茄红素的预测结果 | 第81-82页 |
| 6.4.6 遗传算法-支持向量机模型对番茄红素的预测结果 | 第82-83页 |
| 6.5 本章小结 | 第83-85页 |
| 第七章 结论与展望 | 第85-88页 |
| 7.1 结论 | 第85-86页 |
| 7.2 展望 | 第86-88页 |
| 参考文献 | 第88-95页 |
| 致谢 | 第95-96页 |
| 攻读硕士期间发表的论文 | 第96页 |
