基于高光谱图像和机器视觉技术的大豆品质检测研究
| 中文摘要 | 第10-12页 |
| 英文摘要 | 第12-14页 |
| 1 前言 | 第15-25页 |
| 1.1 选题背景及研究意义 | 第15-17页 |
| 1.2 大豆品质检测研究现状 | 第17-20页 |
| 1.2.1 大豆外观品质检测研究 | 第18-19页 |
| 1.2.2 大豆内在品质检测研究 | 第19-20页 |
| 1.3 高光谱成像技术 | 第20-21页 |
| 1.3.1 高光谱成像原理 | 第20-21页 |
| 1.3.2 高光谱图像技术在农产品检测中的研究 | 第21页 |
| 1.4 研究现状总结 | 第21-22页 |
| 1.5 论文主要研究内容和技术路线 | 第22-24页 |
| 1.5.1 研究内容 | 第22-23页 |
| 1.5.2 技术路线 | 第23-24页 |
| 1.6 本章小结 | 第24-25页 |
| 2 材料、设备与研究方法 | 第25-42页 |
| 2.1 大豆样本采集 | 第25-26页 |
| 2.2 高效液相色谱法定量分析 | 第26-28页 |
| 2.2.1 原理 | 第26页 |
| 2.2.2 仪器与试剂 | 第26页 |
| 2.2.3 色谱条件 | 第26页 |
| 2.2.4 测定方法 | 第26-27页 |
| 2.2.5 HPLC定量测定 | 第27-28页 |
| 2.3 高光谱成像系统 | 第28-38页 |
| 2.3.1 高光谱成像系统的硬件组成 | 第28-33页 |
| 2.3.2 高光谱成像仪的扫描过程 | 第33-35页 |
| 2.3.3 高光谱成像系统软件平台 | 第35-38页 |
| 2.4 高光谱图像数据处理方法 | 第38-39页 |
| 2.5 机器视觉系统的组成与设计 | 第39-41页 |
| 2.5.1 光源和暗箱 | 第40-41页 |
| 2.5.2 照度计 | 第41页 |
| 2.5.3 CCD摄像机 | 第41页 |
| 2.6 本章小结 | 第41-42页 |
| 3 高光谱图像信息处理与建模方法 | 第42-56页 |
| 3.1 高光谱成像技术中光谱数据处理技术 | 第42-48页 |
| 3.1.1 光谱预处理方法 | 第42-45页 |
| 3.1.2 光谱特征提取方法 | 第45-48页 |
| 3.2 图像数据处理技术 | 第48-52页 |
| 3.2.1 图像增强 | 第48-49页 |
| 3.2.2 图像分割 | 第49-50页 |
| 3.2.3 图像特征提取方法 | 第50-52页 |
| 3.3 预测分析和分类方法 | 第52-54页 |
| 3.3.1 偏最小二乘判别分析(DPLS) | 第52页 |
| 3.3.2 人工神经网络 | 第52-53页 |
| 3.3.3 最小二乘支持向量机 | 第53-54页 |
| 3.3.4 多元线性回归 | 第54页 |
| 3.4 模型性能评价 | 第54-55页 |
| 3.5 本章小结 | 第55-56页 |
| 4 基于光谱特征的大豆异黄酮含量预测 | 第56-71页 |
| 4.1 大豆样本采集 | 第57页 |
| 4.2 大豆异黄酮含量测定 | 第57页 |
| 4.3 光谱数据采集 | 第57-59页 |
| 4.4 数据分析软件ENVI | 第59-61页 |
| 4.4.1 图像显示 | 第60-61页 |
| 4.4.2 绘制任意点光谱曲线及多点光谱曲线 | 第61页 |
| 4.5 光谱提取 | 第61-62页 |
| 4.6 中值滤波平滑光谱曲线 | 第62-63页 |
| 4.6.1 中值滤波定义 | 第62页 |
| 4.6.2 中值滤波算法 | 第62-63页 |
| 4.7 特征波长选择 | 第63-67页 |
| 4.7.1 异黄酮含量与光谱反射值回归分析 | 第63-65页 |
| 4.7.2 PCA降维 | 第65-67页 |
| 4.8 大豆异黄酮含量预测模型建立 | 第67-70页 |
| 4.8.1 SVR建模 | 第67页 |
| 4.8.2 SVR核函数种类的确定 | 第67-68页 |
| 4.8.3 模型对比分析 | 第68-70页 |
| 4.9 本章小结 | 第70-71页 |
| 5 基于高光谱图像技术的大豆品种识别 | 第71-82页 |
| 5.1 大豆样本及高光谱图像获取 | 第71-72页 |
| 5.2 高光谱图像标定 | 第72-74页 |
| 5.3 特征波段提取 | 第74-75页 |
| 5.4 特征提取 | 第75-79页 |
| 5.4.1 基于灰度共生矩阵的特征参数 | 第75-76页 |
| 5.4.2 特征参数提取 | 第76-79页 |
| 5.5 BP神经网络建模与测试 | 第79-81页 |
| 5.6 本章小结 | 第81-82页 |
| 6 基于机器视觉的大豆外观品质检测 | 第82-103页 |
| 6.1 图像采集 | 第82-83页 |
| 6.2 图像增强 | 第83-84页 |
| 6.3 图像分割 | 第84-87页 |
| 6.3.1 目标与背景分割 | 第85-86页 |
| 6.3.2 孔洞填充 | 第86-87页 |
| 6.3.3 豆粒粘连分割 | 第87页 |
| 6.4 形态特征提取 | 第87-88页 |
| 6.5 颜色特征提取 | 第88-90页 |
| 6.6 纹理特征提取 | 第90-91页 |
| 6.7 基于BP神经网络的大豆病害识别 | 第91-99页 |
| 6.7.1 BP算法 | 第91页 |
| 6.7.2 BP算法的改进 | 第91-92页 |
| 6.7.3 粒子群优化算法 | 第92-94页 |
| 6.7.4 粒子群优化算法优化神经网络 | 第94-96页 |
| 6.7.5 特征数据降维处理 | 第96页 |
| 6.7.6 粒子群优化的神经网络识别大豆病害 | 第96-99页 |
| 6.8 网络测试 | 第99-100页 |
| 6.9 大豆异黄酮含量与外观品质的相关性分析 | 第100-102页 |
| 6.9.1 多元线性回归分析 | 第100-101页 |
| 6.9.2 实验结果分析 | 第101-102页 |
| 6.10 本章小结 | 第102-103页 |
| 7 总结与展望 | 第103-105页 |
| 7.1 主要研究结论 | 第103页 |
| 7.2 本文的创新点 | 第103-104页 |
| 7.3 展望 | 第104-105页 |
| 致谢 | 第105-106页 |
| 参考文献 | 第106-113页 |
| 附录 | 第113-120页 |
| 攻读博士学位期间发表的学术论文 | 第120页 |
