| 摘要 | 第1-9页 |
| Abstract | 第9-12页 |
| 第一章 绪论 | 第12-19页 |
| ·研究目的和意义 | 第12-13页 |
| ·国内外研究现状 | 第13-17页 |
| ·电子鼻检测技术 | 第13-14页 |
| ·计算机视觉检测技术 | 第14-15页 |
| ·多源信息融合技术 | 第15-17页 |
| ·研究内容与研究方法 | 第17-19页 |
| ·研究内容 | 第17页 |
| ·研究方法 | 第17-18页 |
| ·技术路线 | 第18-19页 |
| 第二章 基于计算机视觉技术的猪肉图像采集系统设计 | 第19-24页 |
| ·概述 | 第19页 |
| ·猪肉图像采集装置的设计 | 第19-20页 |
| ·猪肉图像处理与分析软件的设计 | 第20-23页 |
| ·颜色模型选取 | 第20-21页 |
| ·图像预处理 | 第21-22页 |
| ·图像分割 | 第22页 |
| ·图像特征提取 | 第22页 |
| ·图像显示与结果保存 | 第22-23页 |
| ·小结 | 第23-24页 |
| 第三章 基于计算机视觉技术的猪肉新鲜度检测方法研究 | 第24-35页 |
| ·概述 | 第24页 |
| ·试验设计 | 第24-26页 |
| ·样本的制备 | 第24-25页 |
| ·猪肉图像的采集试验 | 第25-26页 |
| ·挥发性盐基氮TVB-N的测量试验 | 第26-28页 |
| ·挥发性盐基氮TVB-N测量的试验材料 | 第26页 |
| ·挥发性盐基氮TVB-N测量的操作步骤 | 第26-27页 |
| ·挥发性盐基氮TVB-N测量的结果 | 第27-28页 |
| ·试验结果与分析 | 第28-34页 |
| ·图像滤波消噪结果的分析 | 第28-29页 |
| ·颜色特征参数分析 | 第29-31页 |
| ·基于计算机视觉技术的猪肉新鲜度识别模型的建立 | 第31-34页 |
| ·小结 | 第34-35页 |
| 第四章 基于电子鼻技术的猪肉气体采集系统设计 | 第35-44页 |
| ·概述 | 第35页 |
| ·电子鼻测量系统的硬件设计 | 第35-40页 |
| ·电子鼻气体传感器的选型 | 第35-36页 |
| ·电子鼻气体传感器的引脚与接线 | 第36-37页 |
| ·电子鼻气体传感器的信号采集电路 | 第37-38页 |
| ·电子鼻气体采集装置 | 第38-40页 |
| ·电子鼻测量系统的软件设计 | 第40-43页 |
| ·解吸附监控模块 | 第41-42页 |
| ·数据采集与保存模块 | 第42-43页 |
| ·数据分析与处理模块设计 | 第43页 |
| ·小结 | 第43-44页 |
| 第五章 基于电子鼻技术的猪肉新鲜度检测方法研究 | 第44-57页 |
| ·概述 | 第44页 |
| ·电子鼻模式识别方法的选取 | 第44-45页 |
| ·统计模式识别方法 | 第44页 |
| ·人工神经网络模式识别方法 | 第44-45页 |
| ·电子鼻试验参数的优化设计 | 第45-53页 |
| ·测量时间的优化 | 第45-46页 |
| ·样本质量的优化 | 第46-47页 |
| ·样本顶空生成时间的优化 | 第47-50页 |
| ·电子鼻特征参数的提取 | 第50-53页 |
| ·基于电子鼻技术的猪肉新鲜度识别模型的建立 | 第53-56页 |
| ·试验材料与试验方法 | 第53页 |
| ·猪肉新鲜度识别模型的建立 | 第53-56页 |
| ·小结 | 第56-57页 |
| 第六章 基于多源信息融合技术的猪肉新鲜度检测方法研究 | 第57-72页 |
| ·概述 | 第57页 |
| ·多源信息融合方式的选取 | 第57-59页 |
| ·像素层融合 | 第57-58页 |
| ·特征层融合 | 第58-59页 |
| ·决策层融合 | 第59页 |
| ·多源信息融合方法的选取 | 第59-60页 |
| ·经典信息融合方法 | 第59-60页 |
| ·现代信息融合方法 | 第60页 |
| ·基于BP神经网络技术的多源信息融合模型 | 第60-65页 |
| ·试验材料与试验方法 | 第60-61页 |
| ·BP人工神经网络多源信息融合模型的设计 | 第61页 |
| ·BP人工神经网络多源信息融合模型参数的优化 | 第61-62页 |
| ·BP神经网络多源信息融合模型的验证 | 第62-65页 |
| ·基于RBF神经网络的多源信息融合模型 | 第65-68页 |
| ·试验材料与试验方法 | 第65页 |
| ·RBF人工神经网络多源信息融合模型的建立 | 第65-66页 |
| ·RBF人工神经网络多源信息融合模型参数的优化 | 第66页 |
| ·RBF人工神经网络多源信息融合模型的验证 | 第66-68页 |
| ·基于最小二乘支持向量机的多源信息融合方法的研究 | 第68-71页 |
| ·试验材料与试验方法 | 第68页 |
| ·最小二乘支持向量机多源信息融合模型的建立 | 第68页 |
| ·最小二乘支持向量机多源信息融合模型的优化 | 第68-69页 |
| ·最小二乘支持向量机多源信息融合模型的验证 | 第69-71页 |
| ·小结 | 第71-72页 |
| 第七章 结论与讨论 | 第72-75页 |
| ·结论 | 第72-73页 |
| ·特色与创新 | 第73-74页 |
| ·讨论 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-80页 |
| 个人简介 | 第80页 |
| 在读期间发表的论文 | 第80页 |