基于高光谱图像技术的大豆品种鉴别方法研究
| 摘要 | 第8-10页 |
| 英文摘要 | 第10-11页 |
| 1 引言 | 第13-19页 |
| 1.1 选题目的与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 高光谱图像技术鉴别农产品种类 | 第14-15页 |
| 1.2.2 高光谱图像技术鉴别大豆种类 | 第15-16页 |
| 1.3 研究主要内容和技术路线 | 第16-18页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 技术路线 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 2 实验材料、设备与理论 | 第19-23页 |
| 2.1 试验材料 | 第19页 |
| 2.2 试验设备 | 第19-20页 |
| 2.2.1 高光谱图像技术采集系统 | 第19-20页 |
| 2.2.2 高光谱图像软件系统 | 第20页 |
| 2.3 高光谱图像技术基本原理 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 高光谱信息处理与图像处理 | 第23-41页 |
| 3.1 高光谱图像采集 | 第23页 |
| 3.2 高光谱图像处理 | 第23-28页 |
| 3.2.1 黑白校正处理 | 第23页 |
| 3.2.2 感兴趣区域选取 | 第23-25页 |
| 3.2.3 光谱数据预处理 | 第25-28页 |
| 3.3 高光谱特征波段选择 | 第28-35页 |
| 3.3.1 高光谱数据优化 | 第28-29页 |
| 3.3.2 主成分分析 | 第29-34页 |
| 3.3.3 特征波段选择 | 第34-35页 |
| 3.4 图像特征提取 | 第35-40页 |
| 3.4.1 样本代表图像提取 | 第35页 |
| 3.4.2 图像灰度化 | 第35-36页 |
| 3.4.3 图像滤波去噪 | 第36页 |
| 3.4.4 特征提取 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 基于高光谱信息的大豆种类鉴别模型建立 | 第41-50页 |
| 4.1 T-S模糊神经网络识别模型 | 第41-45页 |
| 4.1.1 T-S模糊神经网络模型搭建原理 | 第41-42页 |
| 4.1.2 参数设定及结果 | 第42-45页 |
| 4.2 随机森林组合分类模型 | 第45-48页 |
| 4.2.1 随机森林模型搭建原理 | 第45页 |
| 4.2.2 参数设定及结果 | 第45-48页 |
| 4.3 模型结果分析比对 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 基于光谱图像特征的大豆种类鉴别模型建立 | 第50-59页 |
| 5.1 簇类独立模式识别模型 | 第50-51页 |
| 5.1.1 簇类独立模式识别模型搭建原理 | 第50页 |
| 5.1.2 参数设定及结果 | 第50-51页 |
| 5.2 偏最小二乘判别模型 | 第51-54页 |
| 5.2.1 偏最小二乘判别模型搭建原理 | 第51-53页 |
| 5.2.2 参数设定及结果 | 第53-54页 |
| 5.3 遗传算法优化BP神经网络模型 | 第54-57页 |
| 5.3.1 遗传算法优化BP网络模型搭建原理 | 第54-56页 |
| 5.3.2 参数设定及结果 | 第56-57页 |
| 5.4 T-S模糊神经网络识别模型 | 第57-58页 |
| 5.5 模型结果分析比对 | 第58页 |
| 5.6 本章小结 | 第58-59页 |
| 6 结论与展望 | 第59-61页 |
| 6.1 结论 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录 | 第67-74页 |
| 攻读硕士学位期间发表的学术论文 | 第74页 |
