| 摘要 | 第8-11页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究目的和意义 | 第11-14页 |
| 1.1.1 研究样本 | 第11-12页 |
| 1.1.2 水果无损检测技术概述 | 第12-14页 |
| 1.2 国内外发展现状 | 第14-18页 |
| 1.2.1 高光谱成像技术在水果内外部品质检测中的应用 | 第14-18页 |
| 1.2.2 高光谱成像技术在油桃内外部品质检测中的应用 | 第18页 |
| 1.3 研究内容与方法 | 第18-20页 |
| 1.3.1 主要研究内容 | 第18-19页 |
| 1.3.2 主要研究方法 | 第19-20页 |
| 1.3.3 课题来源 | 第20页 |
| 1.4 小结 | 第20-21页 |
| 第二章 实验设备及数据挖掘技术 | 第21-39页 |
| 2.1 高光谱图像系统组成 | 第21-23页 |
| 2.1.1 光源系统部分 | 第21-22页 |
| 2.1.2 波长色散系统 | 第22-23页 |
| 2.1.3 面积探测器 | 第23页 |
| 2.2 高光谱成像实验设备及数据采集 | 第23-28页 |
| 2.2.1 高光谱成像采集系统 | 第23-25页 |
| 2.2.2 数据采集软件 | 第25-26页 |
| 2.2.3 ENVI 4.7处理软件 | 第26-27页 |
| 2.2.4 The Unscrambler X10.2光谱分析和建模软件 | 第27-28页 |
| 2.2.5 其他数据处理软件 | 第28页 |
| 2.3 高光谱图像数据挖掘技术 | 第28-38页 |
| 2.3.1 图像维数据挖掘 | 第29-32页 |
| 2.3.2 光谱维数据挖掘 | 第32-37页 |
| 2.3.3 预测模型评价标准 | 第37-38页 |
| 2.4 小结 | 第38-39页 |
| 第三章 基于高光谱成像技术的油桃外部缺陷检测研究 | 第39-57页 |
| 3.1 前言 | 第39页 |
| 3.2 实验样本 | 第39-40页 |
| 3.3 基于光谱信息的检测研究 | 第40-50页 |
| 3.3.1 光谱特征分析 | 第40-41页 |
| 3.3.2 光谱预处理 | 第41-43页 |
| 3.3.3 基于全波段光谱的分类判别模型 | 第43-45页 |
| 3.3.4 基于光谱主成分的分类判别模型 | 第45-48页 |
| 3.3.5 基于光谱特征波长的分类判别模型 | 第48-50页 |
| 3.4 基于图像信息的检测研究 | 第50-53页 |
| 3.4.1 图像主成分的提取 | 第50-51页 |
| 3.4.2 外部缺陷识别算法 | 第51-52页 |
| 3.4.3 检测结果 | 第52-53页 |
| 3.5 基于图像特征纹理指标的检测研究 | 第53-55页 |
| 3.5.1 纹理特征指标的选取 | 第53-55页 |
| 3.5.2 不同建模方法的检测结果 | 第55页 |
| 3.6 小结 | 第55-57页 |
| 第四章 基于高光谱成像技术的油桃内部品质检测研究 | 第57-87页 |
| 4.1 前言 | 第57页 |
| 4.2 实验样本 | 第57-58页 |
| 4.3 内部品质指标的测定方法 | 第58-61页 |
| 4.3.1 果肉硬度值的测定 | 第58页 |
| 4.3.2 可溶性固形物含量值的测定 | 第58-59页 |
| 4.3.3 可滴定酸含量值的测定 | 第59-60页 |
| 4.3.4 维生素C含量值的测定 | 第60-61页 |
| 4.4 样本光谱预处理 | 第61-64页 |
| 4.4.1 样本图谱分析 | 第61-62页 |
| 4.4.2 光谱数据预处理 | 第62页 |
| 4.4.3 基于预处理数据的油桃理化指标PLS建模 | 第62-64页 |
| 4.5 全波段光谱数据建模分析 | 第64-68页 |
| 4.5.1 偏最小二乘法建模 | 第64页 |
| 4.5.2 最小二乘支持向量机建模 | 第64-65页 |
| 4.5.3 极限学习机建模 | 第65-66页 |
| 4.5.4 全波段光谱数据三种模型预测结果对比 | 第66-68页 |
| 4.6 主成分分析建模 | 第68-73页 |
| 4.6.1 光谱数据主成分分析 | 第68-69页 |
| 4.6.2 基于不同建模方式的主成分分析 | 第69-71页 |
| 4.6.3 主成分光谱数据三种模型预测结果对比 | 第71-73页 |
| 4.7 基于PLSR法的模型优化 | 第73-78页 |
| 4.7.1 基于PLSR特征波段提取 | 第73-74页 |
| 4.7.2 优化模型的建立 | 第74-76页 |
| 4.7.3 基于PLSR提取特征波长三种模型预测结果对比 | 第76-78页 |
| 4.8 基于SPA法的模型优化法 | 第78-84页 |
| 4.8.1 基于SPA的特征波段提取 | 第78-80页 |
| 4.8.2 优化模型的建立 | 第80-82页 |
| 4.8.3 理化指标三种模型的预测结果对比 | 第82-84页 |
| 4.9 小结 | 第84-87页 |
| 第五章 基于信息融合技术对油桃内外部品质检测研究 | 第87-103页 |
| 5.1 前言 | 第87页 |
| 5.2 信息融合技术 | 第87-89页 |
| 5.2.1 信息融合概述 | 第87-88页 |
| 5.2.2 信息融合技术在高光谱成像检测中的应用 | 第88-89页 |
| 5.3 品质指标的选定 | 第89-92页 |
| 5.3.1 实验样本 | 第89-90页 |
| 5.3.2 外部品质指标的选定 | 第90页 |
| 5.3.3 内部品质指标的选定 | 第90-92页 |
| 5.4 融合信息的测定 | 第92页 |
| 5.4.1 光谱信息的测定 | 第92页 |
| 5.4.2 图像信息的测定 | 第92页 |
| 5.5 模型建立及优化 | 第92-100页 |
| 5.5.1 外部缺陷检测 | 第93-97页 |
| 5.5.2 内部品质指标检测 | 第97-100页 |
| 5.6 小结 | 第100-103页 |
| 第六章 基于高光谱成像技术的油桃品种判别研究 | 第103-151页 |
| 6.1 前言 | 第103页 |
| 6.2 实验样本 | 第103-104页 |
| 6.3 基于光谱信息的判别研究 | 第104-133页 |
| 6.3.1 基于全波段光谱信息的判别研究 | 第105-112页 |
| 6.3.2 基于主成分光谱信息的判别研究 | 第112-119页 |
| 6.3.3 基于PLSR特征波长的判别研究 | 第119-126页 |
| 6.3.4 基于SPA特征波长的判别研究 | 第126-133页 |
| 6.4 基于图像纹理信息的判别研究 | 第133-138页 |
| 6.4.1 图像纹理信息的提取 | 第133-134页 |
| 6.4.2 基于纹理特征信息建立品种判别模型 | 第134-138页 |
| 6.5 基于信息融合技术的判别研究 | 第138-150页 |
| 6.5.1 光谱主成分与图像纹理特征融合建模 | 第138-142页 |
| 6.5.2 PLSR法提取光谱特征波长与图像纹理特征融合建模 | 第142-145页 |
| 6.5.3 SPA法提取光谱特征波长与图像纹理特征融合建模 | 第145-149页 |
| 6.5.4 多种建模方式比较 | 第149-150页 |
| 6.6 小结 | 第150-151页 |
| 第七章 结论与展望 | 第151-155页 |
| 7.1 主要研究结论 | 第151-153页 |
| 7.2 主要创新点 | 第153-154页 |
| 7.3 进一步研究展望 | 第154-155页 |
| 参考文献 | 第155-163页 |
| Abstract | 第163-165页 |
| 攻读博士学位期间参加的科研工作及发表的相关学术论文 | 第167-169页 |
| 致谢 | 第169页 |
