| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 肉类新鲜度检测的国内外研究现状 | 第8-13页 |
| 1.2.1 肉类新鲜度的有损检测方法 | 第8-9页 |
| 1.2.2 肉类新鲜度的无损检测方法 | 第9-10页 |
| 1.2.3 高光谱图像技术在肉类品质检测中的国内外研究现状 | 第10-13页 |
| 1.3 当前高光谱图像技术在肉类新鲜度无损检测中存在的问题 | 第13页 |
| 1.4 本论文的主要研究工作及章节安排 | 第13-15页 |
| 第二章 高光谱图像技术和实验数据采集 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 猪肉样本制作以及数据采集 | 第15-18页 |
| 2.2.1 实验材料和样本制备 | 第15页 |
| 2.2.2 高光谱图像系统介绍 | 第15-17页 |
| 2.2.3 猪肉样本中TVB-N测定 | 第17-18页 |
| 2.3 猪肉高光谱图像数据预处理与特征提取 | 第18-21页 |
| 2.3.1 高光谱图像校正 | 第18-19页 |
| 2.3.2 高光谱图像增强和感兴趣区域获取 | 第19-20页 |
| 2.3.3 光谱特征提取和图像的特征提取 | 第20-21页 |
| 2.4 最小二乘支持向量机(LSSVM)模型和模型评价标准 | 第21-23页 |
| 2.4.1 最小二乘支持向量机 | 第21-22页 |
| 2.4.2 模型性能评价 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于高光谱图像的稀疏自编码网络猪肉新鲜度检测 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 实验材料与方法 | 第24-27页 |
| 3.2.1 实验材料以及高光谱图像的采集和数据处理 | 第24页 |
| 3.2.2 PLS投影系数最优波段选择 | 第24-25页 |
| 3.2.3 稀疏自编码网络 | 第25-26页 |
| 3.2.4 预测模型的构建以及评价标准 | 第26-27页 |
| 3.3 实验结果与分析 | 第27-35页 |
| 3.3.1 TVB-N值随时间的变化 | 第27-28页 |
| 3.3.2 光谱特征和图像特征分析 | 第28-30页 |
| 3.3.3 猪肉TVB-N值预测模型的预测结果 | 第30-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于二维主成分分析的高光谱的猪肉新鲜度检测 | 第36-42页 |
| 4.1 引言 | 第36页 |
| 4.2 实验材料与方法 | 第36-38页 |
| 4.2.1 实验材料与数据处理 | 第36页 |
| 4.2.2 二维主成分分析方法原理 | 第36-37页 |
| 4.2.3 预测模型的构建以及评价标准 | 第37-38页 |
| 4.3 实验结果与分析 | 第38-41页 |
| 4.3.1 二维主成分分析方法建立模型的预测结果 | 第38-39页 |
| 4.3.2 不同特征融合方法预测结果比较 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 基于证据理论的模型融合的猪肉新鲜度检测 | 第42-49页 |
| 5.1 引言 | 第42页 |
| 5.2 实验数据与方法 | 第42-46页 |
| 5.2.1 实验数据预处理以及子模型建立 | 第42页 |
| 5.2.2 证据理论原理介绍 | 第42-44页 |
| 5.2.3 证据理论模型融合 | 第44页 |
| 5.2.4 权重融合 | 第44-45页 |
| 5.2.5 预测模型的构建以及评价标准 | 第45-46页 |
| 5.3 实验结果与分析 | 第46-48页 |
| 5.3.1 权重提取以及权重融合 | 第46-47页 |
| 5.3.2 D-S证据理论模型融合的预测结果 | 第47-48页 |
| 5.4 本章小结 | 第48-49页 |
| 主要结论与展望 | 第49-51页 |
| 主要结论 | 第49-50页 |
| 展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 附录 作者在攻读硕士学位期间发表的论文 | 第56页 |
