| 摘要 | 第8-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究的背景和意义 | 第11-13页 |
| 1.2 高光谱成像检测技术的发展 | 第13页 |
| 1.3 高光谱成像技术在缺陷方面的检测 | 第13-14页 |
| 1.4 高光谱成像技术在内部品质方面的检测 | 第14页 |
| 1.5 高光谱成像技术在成熟度方面的检测 | 第14-15页 |
| 1.6 高光谱技术分析沙果品质基本原理 | 第15页 |
| 1.7 主要研究内容和技术路线 | 第15-17页 |
| 第二章 试验仪器与方法 | 第17-30页 |
| 2.1 仪器设备 | 第17-20页 |
| 2.1.1 高光谱成像系统 | 第17-18页 |
| 2.1.2 手持式折光仪 | 第18-19页 |
| 2.1.3 水果硬度计 | 第19-20页 |
| 2.2 光谱数据分析软件 | 第20-21页 |
| 2.3 高光谱数据处理方法 | 第21-30页 |
| 2.3.1 特征波长选择方法 | 第22-24页 |
| 2.3.2 图像处理方法 | 第24-25页 |
| 2.3.3 模型判别方法 | 第25-30页 |
| 第三章 沙果缺陷的高光谱成像检测研究 | 第30-39页 |
| 3.1 样品采集 | 第30页 |
| 3.2 基于光谱特征的沙果缺陷判别 | 第30-35页 |
| 3.2.1 沙果缺陷类型的平均光谱曲线 | 第30-31页 |
| 3.2.2 特征波长的提取 | 第31-34页 |
| 3.2.2.1 基于CARS的特征波长的筛选 | 第31-32页 |
| 3.2.2.2 基于SPA的特征波长的选取 | 第32-34页 |
| 3.2.3 ELM缺陷判别模型 | 第34-35页 |
| 3.3 基于图像信息的沙果缺陷判别 | 第35-38页 |
| 3.3.1 缺陷图像主成分分析及算法 | 第35-37页 |
| 3.3.2 缺陷判别结果 | 第37-38页 |
| 3.4 本章结论 | 第38-39页 |
| 第四章 沙果可溶性固溶物和硬度的可见近红外高光谱成像检测研究 | 第39-52页 |
| 4.1 试验材料 | 第39页 |
| 4.2 光谱数据、SSC和硬度指标的获取 | 第39-40页 |
| 4.2.1 高光谱数据的采集 | 第39-40页 |
| 4.2.2 SSC指标的测定 | 第40页 |
| 4.2.3 硬度指标的测定 | 第40页 |
| 4.3 沙果SSC检测研究 | 第40-44页 |
| 4.3.1 基于PLSRC的特征波长的提取 | 第40-41页 |
| 4.3.2 基于SPA的特征波长的提取 | 第41-43页 |
| 4.3.3 沙果SSC的PLS模型建立 | 第43-44页 |
| 4.4 沙果硬度高光谱检测研究 | 第44-48页 |
| 4.4.1 基于PLSRC的特征波长的提取 | 第44-45页 |
| 4.4.2 基于SPA的特征波长的提取 | 第45-46页 |
| 4.4.3 沙果硬度的PLS模型建立 | 第46-48页 |
| 4.5 沙果SSC和硬度的高光谱多元回归方程建立 | 第48-50页 |
| 4.6 本章结论 | 第50-52页 |
| 第五章 沙果成熟度高光谱成像检测研究 | 第52-67页 |
| 5.1 试验材料 | 第52页 |
| 5.2 数据的采集 | 第52-55页 |
| 5.2.1 光谱数据的采集 | 第52-53页 |
| 5.2.2 高光谱图像信息的获取 | 第53页 |
| 5.2.3 SSC指标和硬度指标的测定和分析 | 第53-55页 |
| 5.3 基于光谱信息的沙果成熟度模型建立 | 第55-60页 |
| 5.3.1 沙果成熟度的特征波长提取 | 第55-56页 |
| 5.3.2 基于光谱信息的沙果成熟度BP神经网络模型的建立 | 第56-59页 |
| 5.3.3 基于光谱信息的沙果成熟度卷积神经网络模型建立 | 第59-60页 |
| 5.4 基于图像信息的沙果成熟度模型建立 | 第60-63页 |
| 5.5 基于特征融合的沙果成熟度模型建立 | 第63-65页 |
| 5.6 本章结论 | 第65-67页 |
| 第六章 结论和展望 | 第67-69页 |
| 6.1 研究结论 | 第67-68页 |
| 6.2 创新点 | 第68页 |
| 6.3 研究不足和展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| Abstract | 第72-74页 |
| 攻读硕士期间科研情况及发表论文 | 第75-76页 |
| 致谢 | 第76页 |
