| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究目的与意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 蔬菜品质的传统检测方法 | 第14-15页 |
| 1.2.2 机器视觉及高光谱技术在新鲜度检测中的研究现状 | 第15-17页 |
| 1.2.3 基于机器视觉和高光谱技术在叶菜新鲜度检测中存在的问题 | 第17页 |
| 1.3 研究内容、方法及关键技术 | 第17-20页 |
| 1.3.1 研究内容 | 第17-18页 |
| 1.3.2 研究的方法及关键技术 | 第18-19页 |
| 1.3.3 创新之处 | 第19页 |
| 1.3.4 技术路线 | 第19-20页 |
| 第二章 菠菜新鲜度化学指标测量及光谱图像数据采集 | 第20-30页 |
| 2.1 样品准备 | 第20页 |
| 2.2 测定菠菜化学组分 | 第20-23页 |
| 2.2.1 菠菜叶绿素和胡萝卜素测定 | 第20-22页 |
| 2.2.2 菠菜含水量测定 | 第22-23页 |
| 2.2.3 菠菜其它化学指标测定 | 第23页 |
| 2.3 高光谱图像数据采集 | 第23-25页 |
| 2.3.1 实验过程 | 第23-24页 |
| 2.3.2 采集的数据展示及分析 | 第24-25页 |
| 2.4 新鲜度评价指标 | 第25-29页 |
| 2.4.1 外观评分方法 | 第26-28页 |
| 2.4.2 综合得分 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 特征波段选择方法研究 | 第30-50页 |
| 3.1 光谱数据预处理 | 第30-32页 |
| 3.1.1 导数法(Derivative) | 第30页 |
| 3.1.2 标准正态变换(SNV) | 第30-31页 |
| 3.1.3 中值滤波(Median) | 第31页 |
| 3.1.4 均值滤波(Average) | 第31页 |
| 3.1.5 预处理后的结果及分析 | 第31-32页 |
| 3.2 传统波段选择方法 | 第32-35页 |
| 3.2.1 粒子群优化算法 | 第32页 |
| 3.2.2 连续投影算法 | 第32-33页 |
| 3.2.3 传统遗传算法 | 第33页 |
| 3.2.4 K均值聚类算法 | 第33页 |
| 3.2.5 传统波段选择结果分析 | 第33-35页 |
| 3.3 基于分组和精英策略的遗传算法实现波段选择 | 第35-42页 |
| 3.3.1 编码 | 第36页 |
| 3.3.2 分组 | 第36-38页 |
| 3.3.3 适应度函数 | 第38页 |
| 3.3.4 遗传算子 | 第38-39页 |
| 3.3.5 传统算法与两种分组策略GGABE算法的性能比较 | 第39-42页 |
| 3.4 改进K均值聚类算法实现波段选择 | 第42-48页 |
| 3.4.1 确定初始聚类中心 | 第42-44页 |
| 3.4.2 计算特征间的距离 | 第44页 |
| 3.4.3 重新确定聚类中心 | 第44页 |
| 3.4.4 终止条件 | 第44页 |
| 3.4.5 传统算法与两种策略下改进K均值聚类算法的性能比较 | 第44-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 基于图像特征的菠菜新鲜度检测 | 第50-74页 |
| 4.1 图像纹理特征 | 第50-57页 |
| 4.1.1 SIFT特征 | 第50-54页 |
| 4.1.2 局部二值模式 | 第54-55页 |
| 4.1.3 灰度共生矩阵 | 第55-57页 |
| 4.2 分类算法 | 第57-59页 |
| 4.2.1 支持向量机 | 第57-58页 |
| 4.2.2 BP神经网络 | 第58页 |
| 4.2.3 随机森林 | 第58-59页 |
| 4.3 实验结果 | 第59-71页 |
| 4.3.1 图像获取及叶片分割 | 第59-62页 |
| 4.3.2 纹理特征提取 | 第62-63页 |
| 4.3.3 图像特征降维 | 第63-66页 |
| 4.3.4 分类结果比较 | 第66-69页 |
| 4.3.5 整株识别 | 第69-71页 |
| 4.4 本章小结 | 第71-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5.1 结论 | 第74页 |
| 5.2 展望 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 致谢 | 第82-84页 |
| 攻读学位期间发表的论文与成果 | 第84页 |
