基于高光谱成像的蓝莓成熟度检测方法的研究
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究进展 | 第12-14页 |
| 1.3 研究目标及具体内容 | 第14-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 材料与方法 | 第17-25页 |
| 2.1 试验材料 | 第17页 |
| 2.2 高光谱成像系统 | 第17-19页 |
| 2.2.1 高光谱成像技术的原理 | 第17-18页 |
| 2.2.2 高光谱成像系统设备组成 | 第18页 |
| 2.2.3 高光谱图像采集 | 第18页 |
| 2.2.4 硬度计 | 第18页 |
| 2.2.5 糖度仪 | 第18-19页 |
| 2.3 高光谱图像数据处理方法 | 第19-22页 |
| 2.3.1 光谱黑白板校正 | 第19页 |
| 2.3.2 图像预处理 | 第19页 |
| 2.3.3 图像颜色模型 | 第19-21页 |
| 2.3.4 光谱预处理 | 第21-22页 |
| 2.4 特征波长的提取方法 | 第22-23页 |
| 2.4.1 连续投影算法 | 第22页 |
| 2.4.2 逐步多元线性回归 | 第22页 |
| 2.4.3 正自适应加权算法 | 第22-23页 |
| 2.5 判别模型建立方法 | 第23-24页 |
| 2.5.1 偏最小二乘 | 第23页 |
| 2.5.2 BP神经网络 | 第23页 |
| 2.5.3 支持向量机 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于全波长光谱信息的蓝莓成熟度判别研究 | 第25-33页 |
| 3.1 试验样本与采集 | 第25-26页 |
| 3.1.1 试验样本划分 | 第25页 |
| 3.1.2 本研究高光谱成像系统 | 第25-26页 |
| 3.1.3 蓝莓高光谱图像采集 | 第26页 |
| 3.2 数据处理与分析 | 第26-29页 |
| 3.2.1 感兴趣区域分割 | 第27页 |
| 3.2.2 高光谱图谱特征分析 | 第27-28页 |
| 3.2.3 光谱预处理 | 第28-29页 |
| 3.3 基于全波长光谱的蓝莓成熟度判别分析 | 第29-32页 |
| 3.3.1 PLS判别模型 | 第29-30页 |
| 3.3.2 BP神经网络判别模型 | 第30页 |
| 3.3.3 SVM判别模型 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于特征波长的蓝莓成熟度判别研究 | 第33-46页 |
| 4.1 基于糖度特征波长选取 | 第33-35页 |
| 4.2 基于硬度特征波长选取 | 第35-36页 |
| 4.3 基于糖度硬度结合特征波长选取 | 第36-38页 |
| 4.4 基于糖度特征波长的成熟度判别模型 | 第38-41页 |
| 4.5 基于硬度特征波长的成熟度判别模型 | 第41-43页 |
| 4.6 基于糖度硬度结合特征波长的成熟度判别模型 | 第43-45页 |
| 4.7 本章小结 | 第45-46页 |
| 第五章 基于多特征信息融合的蓝莓成熟度判别研究 | 第46-57页 |
| 5.1 图像预处理 | 第46-47页 |
| 5.2 基于颜色的蓝莓成熟度建模判别 | 第47-53页 |
| 5.2.1 RGB颜色模型 | 第47-48页 |
| 5.2.2 HSV颜色模型 | 第48-49页 |
| 5.2.3 Lab颜色模型 | 第49-50页 |
| 5.2.4 颜色模型建模效果比较 | 第50-53页 |
| 5.3 基于光谱特征与颜色特征融合技术的判别研究 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 结论与展望 | 第57-59页 |
| 6.1 结论 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士期间发表论文 | 第63-64页 |
