基于高光谱成像技术的山楂无损检测研究
| 摘要 | 第1-8页 |
| 第一章 绪论 | 第8-11页 |
| ·研究背景 | 第8页 |
| ·国内外发展现状 | 第8-10页 |
| ·国内外研究存在的问题 | 第10页 |
| ·论文的主要研究内容及方法 | 第10页 |
| ·本章小结 | 第10-11页 |
| 第二章 实验材料、实验设备及研究方法 | 第11-21页 |
| ·实验材料及实验设计 | 第11-13页 |
| ·实验材料 | 第11页 |
| ·实验设计 | 第11-13页 |
| ·实验设备 | 第13-15页 |
| ·高光谱成像系统硬件平台 | 第13-14页 |
| ·高光谱成像系统的软件平台 | 第14-15页 |
| ·糖度仪 | 第15页 |
| ·实验分析方法 | 第15-16页 |
| ·实验数据处理方法 | 第16-18页 |
| ·预处理方法 | 第16-17页 |
| ·建模方法 | 第17-18页 |
| ·图像处理方法 | 第18-20页 |
| ·预处理 | 第18-19页 |
| ·灰度共生矩阵 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 基于高光谱成像技术的山楂品种判别 | 第21-38页 |
| ·光谱预处理 | 第21-23页 |
| ·光谱信息 | 第21-22页 |
| ·光谱预处理 | 第22-23页 |
| ·全波段光谱建模分类 | 第23-27页 |
| ·全波长PLS模型分类结果 | 第23-24页 |
| ·全波长PCR模型分类结果 | 第24-25页 |
| ·全波长LS-SVM模型分类结果 | 第25-26页 |
| ·小结 | 第26-27页 |
| ·特征波长建模分类 | 第27-32页 |
| ·提取特征波长 | 第27-28页 |
| ·特征波长PLS模型分类结果 | 第28-29页 |
| ·特征波长PCR模型分类结果 | 第29-30页 |
| ·特征波长LS-SVM模型分类结果 | 第30-31页 |
| ·小结 | 第31-32页 |
| ·主成分建模分类 | 第32-37页 |
| ·提取主成分 | 第32-33页 |
| ·主成分PLS分类结果 | 第33-34页 |
| ·主成分PCR模型分类结果 | 第34-35页 |
| ·主成分LS-SVM分类结果 | 第35-36页 |
| ·小结 | 第36-37页 |
| ·小结 | 第37-38页 |
| 第四章 基于高光谱成像技术的山楂品质检测 | 第38-47页 |
| ·光谱预处理 | 第38-40页 |
| ·原始光谱图 | 第38页 |
| ·光谱预处理 | 第38-40页 |
| ·全波段光谱建模分析 | 第40-42页 |
| ·全波段PLS建模分析 | 第40-41页 |
| ·全波段LS-SVM建模分析 | 第41-42页 |
| ·特征波段建模分析 | 第42-45页 |
| ·提取特征波长 | 第42-43页 |
| ·特征波段建模分析 | 第43-44页 |
| ·特征波段LS-SVM建模分析 | 第44-45页 |
| ·本章小结 | 第45-47页 |
| 第五章 基于高光谱成像技术的山楂损伤判别 | 第47-67页 |
| ·基于光谱信息的山楂损伤检测 | 第47-53页 |
| ·光谱预处理 | 第47-49页 |
| ·主成分建模分类 | 第49-53页 |
| ·基于图像信息的山楂损伤的判别 | 第53-63页 |
| ·图像预处理 | 第53-57页 |
| ·纹理特征提取 | 第57-61页 |
| ·纹理特征值LS-SVM模型分类结果 | 第61-63页 |
| ·基于图像信息与光谱信息融合的山楂损伤判别 | 第63-65页 |
| ·提取融合参数 | 第63页 |
| ·融合参数LS-SVM模型分类结果 | 第63-65页 |
| ·小结 | 第65-67页 |
| 第六章 结论与展望 | 第67-69页 |
| ·主要研究结论 | 第67-68页 |
| ·主要创新点 | 第68页 |
| ·进一步研究设想 | 第68-69页 |
| 参考文献 | 第69-71页 |
| Abstract | 第71-73页 |
| 致谢 | 第73页 |
