| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-11页 |
| 第一章 前言 | 第11-19页 |
| ·课题研究背景 | 第11页 |
| ·国内外研究现状 | 第11-18页 |
| ·稻米品质的影响因素 | 第11-13页 |
| ·地理生态环境 | 第11-12页 |
| ·气候生态环境 | 第12页 |
| ·栽培条件 | 第12-13页 |
| ·计算机视觉技术在稻米品质检测中的应用 | 第13-16页 |
| ·在稻米粒形检测中的应用 | 第13页 |
| ·在稻米外观品质检测中的应用 | 第13-15页 |
| ·在大米加工品质检测中的应用 | 第15-16页 |
| ·近红外光谱技术在稻米品质检测中的应用 | 第16-18页 |
| ·研究目的及意义 | 第18页 |
| ·研究内容 | 第18-19页 |
| 第二章 基于计算机视觉技术鉴别不同原产地大米 | 第19-34页 |
| ·引言 | 第19页 |
| ·材料与方法 | 第19-22页 |
| ·材料 | 第19页 |
| ·仪器 | 第19-20页 |
| ·试验方法 | 第20-22页 |
| ·样品制备 | 第20页 |
| ·图像的获取及处理 | 第20-21页 |
| ·特征值统计分析 | 第21页 |
| ·聚类分析 | 第21页 |
| ·主成分分类 | 第21页 |
| ·主成分降维 | 第21页 |
| ·BP 神经网络分类 | 第21-22页 |
| ·数据分析方法 | 第22页 |
| ·结果与讨论 | 第22-33页 |
| ·图像采集及处理 | 第22-25页 |
| ·图像采集 | 第22页 |
| ·图像预处理 | 第22-24页 |
| ·图像分割 | 第24页 |
| ·提取特征值 | 第24-25页 |
| ·特征值统计分析 | 第25-26页 |
| ·原产地主成分分类 | 第26-27页 |
| ·原产地聚类分析 | 第27页 |
| ·主成分分析降维 | 第27-28页 |
| ·神经网络对不同品种大米分类 | 第28-30页 |
| ·输入和目标向量设计 | 第28-29页 |
| ·网络构建 | 第29页 |
| ·网络训练 | 第29页 |
| ·BP 神经网络对不同大米品种分类 | 第29-30页 |
| ·BP 神经网络鉴别不同原产地大米 | 第30-31页 |
| ·输入向量和目标向量的设计 | 第30页 |
| ·神经网络构建 | 第30-31页 |
| ·神经网络训练 | 第31页 |
| ·BP 神经网络对不同原产地大米分类 | 第31页 |
| ·主成分分析降维后对不同原产地大米分类 | 第31-33页 |
| ·输入向量和目标向量的设计 | 第32页 |
| ·网络构建 | 第32页 |
| ·神经网络训练 | 第32页 |
| ·神经网络预测 | 第32-33页 |
| ·结论 | 第33-34页 |
| 第三章 基于近红外光谱技术鉴别不同原产地稻米 | 第34-44页 |
| ·引言 | 第34页 |
| ·材料与方法 | 第34-36页 |
| ·材料 | 第34-35页 |
| ·仪器 | 第35页 |
| ·试验方法 | 第35-36页 |
| ·样品处理 | 第35页 |
| ·光谱扫描 | 第35页 |
| ·光谱预处理 | 第35-36页 |
| ·提取光谱数据 | 第36页 |
| ·主成分分析 | 第36页 |
| ·神经网络识别 | 第36页 |
| ·结果与讨论 | 第36-43页 |
| ·光谱预处理 | 第36-39页 |
| ·剔除光谱异常值 | 第36-37页 |
| ·光谱平均 | 第37-38页 |
| ·光谱平均后数学处理 | 第38-39页 |
| ·提取光谱数据 | 第39页 |
| ·主成分分类 | 第39-40页 |
| ·主成分分析降维 | 第40-41页 |
| ·神经网络分类 | 第41-43页 |
| ·神经网络构建 | 第41页 |
| ·神经网络训练 | 第41页 |
| ·神经网络分类 | 第41-43页 |
| ·结论 | 第43-44页 |
| 第四章 近红外光谱结合计算机视觉技术鉴别大米原产地 | 第44-51页 |
| ·引言 | 第44页 |
| ·材料与方法 | 第44-46页 |
| ·材料 | 第44页 |
| ·仪器 | 第44页 |
| ·试验方法 | 第44-46页 |
| ·扫描图像获取 | 第44页 |
| ·图像处理 | 第44-45页 |
| ·近红外光谱图获取 | 第45页 |
| ·光谱图处理 | 第45-46页 |
| ·主成分分类 | 第46页 |
| ·主成分分析降维 | 第46页 |
| ·BP 神经网络识别不同原产地大米 | 第46页 |
| ·结果与讨论 | 第46-50页 |
| ·图像处理 | 第46-48页 |
| ·扫描图像处理 | 第46-47页 |
| ·光谱图像处理 | 第47-48页 |
| ·光谱数据提取 | 第48页 |
| ·主成分分类 | 第48-49页 |
| ·主成分分析降维 | 第49页 |
| ·BP 神经网络识别不同原产地大米 | 第49-50页 |
| ·输入向量和目标向量的设计 | 第49页 |
| ·网络构建 | 第49-50页 |
| ·神经网络训练 | 第50页 |
| ·神经网络预测 | 第50页 |
| ·结论 | 第50-51页 |
| 第五章 主要总结与展望 | 第51-53页 |
| ·结论 | 第51-52页 |
| ·基于计算机视觉技术鉴别不同原产地大米 | 第51页 |
| ·基于近红外光谱对不同原产地稻米分类 | 第51页 |
| ·近红外光谱结合计算机视觉技术鉴别大米原产地 | 第51-52页 |
| ·创新点 | 第52页 |
| ·展望 | 第52-53页 |
| 参考文献 | 第53-60页 |
| 致谢 | 第60-61页 |
| 附录 近红外光谱数据主成分分析结果 | 第61-69页 |
| 个人简历 | 第69页 |