| 摘要 | 第1-9页 |
| ABSTRACT | 第9-11页 |
| 縮略语表 | 第11-12页 |
| 第1章 绪论 | 第12-17页 |
| ·研究目的及意义 | 第12页 |
| ·淡水鱼新鲜度的传统检测方法 | 第12-13页 |
| ·近红外光谱技术在鱼类新鲜度检测中的应用现状 | 第13-14页 |
| ·机器视觉技术在鱼类新鲜度检测中的应用现状 | 第14页 |
| ·研究内容和技术路线 | 第14-16页 |
| ·研究内容 | 第14-16页 |
| ·技术路线 | 第16页 |
| ·本章小结 | 第16-17页 |
| 第2章 基于近红外光谱技术的淡水鱼新鲜度检测 | 第17-35页 |
| ·近红外光谱分析基础 | 第17-18页 |
| ·近红外光谱分析原理 | 第17页 |
| ·近红外光谱分析步骤 | 第17-18页 |
| ·近红外光谱分析方法 | 第18-23页 |
| ·样本集划分方法 | 第19-20页 |
| ·光谱预处理方法 | 第20-21页 |
| ·建模方法 | 第21-22页 |
| ·模型评价方法 | 第22-23页 |
| ·试验材料和方法 | 第23-26页 |
| ·淡水鱼样本的选择 | 第23-24页 |
| ·近红外光谱仪及光谱采集方式 | 第24页 |
| ·挥发性盐基氮(TVB-N)的测量 | 第24-26页 |
| ·挥发性盐基氮(TVB-N)定量分析模型的影响因素 | 第26-32页 |
| ·样本划分方法及光谱预处理方法对建模结果的影响 | 第26-28页 |
| ·鱼鳞对建模结果的影响 | 第28-30页 |
| ·光谱采集部位对建模结果的影响 | 第30-31页 |
| ·最佳新鲜度检测条件的确定 | 第31-32页 |
| ·贮藏时间定量分析模型的影响因素 | 第32-34页 |
| ·鱼鳞对建模结果的影响 | 第32-33页 |
| ·光谱采集部位对建模结果的影响 | 第33-34页 |
| ·最佳新鲜度检测条件的确定 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第3章 基于特征波长选择方法的新鲜度定量分析模型优化 | 第35-44页 |
| ·近红外光谱特征波长选择的意义 | 第35页 |
| ·常用的波长变量选择方法及其原理 | 第35-36页 |
| ·遗传算法(GA) | 第35-36页 |
| ·连续投影算法(SPA) | 第36页 |
| ·竞争性自适应重加权算法(CARS) | 第36页 |
| ·TVB-N值定量分析模型的优化 | 第36-41页 |
| ·基于遗传算法的模型优化 | 第37-38页 |
| ·基于连续投影算法的模型优化 | 第38页 |
| ·基于竞争性自适应重加权算法的模型优化 | 第38-40页 |
| ·TVB-N值定量分析最优模型的确定 | 第40页 |
| ·基于TVB-N值定量分析最优模型的淡水鱼新鲜度评价 | 第40-41页 |
| ·贮藏时间定量分析模型的优化及最优模型的确定 | 第41-42页 |
| ·本章小结 | 第42-44页 |
| 第4章 基于机器视觉图像特征的淡水鱼新鲜度检测 | 第44-62页 |
| ·机器视觉技术 | 第44页 |
| ·数字图像处理技术 | 第44-45页 |
| ·图像滤波 | 第44页 |
| ·图像分割 | 第44-45页 |
| ·图像形态学处理 | 第45页 |
| ·基础颜色模型 | 第45-46页 |
| ·RGB颜色模型 | 第45-46页 |
| ·HSI颜色模型 | 第46页 |
| ·图像采集系统 | 第46-47页 |
| ·图像采集 | 第47-48页 |
| ·上山法结合区域生长法的鱼眼区域颜色特征提取 | 第48-50页 |
| ·上山法 | 第48-49页 |
| ·区域生长法 | 第49页 |
| ·颜色特征的提取 | 第49-50页 |
| ·颜色特征与TVB-N值及贮藏时间的一元线性分析 | 第50-53页 |
| ·颜色特征与TVB-N值的一元线性分析 | 第50-52页 |
| ·颜色特征与贮藏时间的一元线性分析 | 第52-53页 |
| ·颜色特征与TVB-N值及贮藏时间的多元线性分析 | 第53-55页 |
| ·颜色特征与TVB-N值的多元线性分析 | 第53-54页 |
| ·颜色特征与贮藏时间的多元线性分析 | 第54-55页 |
| ·颜色特征与TVB-N值及贮藏时间的多元非线性分析 | 第55-60页 |
| ·BP人工神经网络 | 第56页 |
| ·基于BP人工神经网络的颜色特征与TVB-N值多元非线性分析 | 第56-58页 |
| ·基于BP人工神经网络的颜色特征与贮藏时间的多元非线性分析 | 第58-59页 |
| ·基于BP人工神经网络的淡水鱼新鲜度评价 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 第5章 基于近红外光谱和机器视觉信息融合的新鲜度检测 | 第62-70页 |
| ·淡水鱼新鲜度检测信息融合的必要性 | 第62页 |
| ·常用的多源信息融合方式 | 第62-64页 |
| ·原始数据层融合 | 第62-63页 |
| ·特征层融合 | 第63页 |
| ·决策层融合 | 第63-64页 |
| ·常用的多源信息融合方法 | 第64-65页 |
| ·模糊逻辑 | 第64页 |
| ·人工神经网络 | 第64-65页 |
| ·支持向量机 | 第65页 |
| ·基于BP人工神经网络信息融合的淡水鱼新鲜度检测 | 第65-69页 |
| ·光谱特征信息的提取 | 第65-66页 |
| ·图像特征信息的提取 | 第66页 |
| ·基于BP人工神经网络数据融合模型的建立及预测 | 第66-68页 |
| ·基于BP人工神经网络数据融合模型的新鲜度评价 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第6章 结论与讨论 | 第70-73页 |
| ·结论 | 第70-72页 |
| ·讨论 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-80页 |
| 硕士研究生期间的科研工作 | 第80页 |
