| 本论文受以下项目资助 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第12-17页 |
| 1.1 河套蜜瓜的发展及现状 | 第12页 |
| 1.2 河套蜜瓜无损检测的必要性 | 第12页 |
| 1.3 可见近红外光谱分析技术在水果品质检测中的研究现状 | 第12-15页 |
| 1.3.1 国外研究现状 | 第12-14页 |
| 1.3.2 国内研究现状 | 第14-15页 |
| 1.4 研究目的与意义、研究内容、技术路线 | 第15-17页 |
| 1.4.1 本课题来源 | 第15页 |
| 1.4.2 研究的目的及意义 | 第15页 |
| 1.4.3 主要研究内容 | 第15-16页 |
| 1.4.4 技术路线 | 第16-17页 |
| 2 可见近红外光谱分析技术及发展现状 | 第17-27页 |
| 2.1 可见近红外光谱分析技术概述 | 第17页 |
| 2.2 可见近红外光谱分析原理及基础 | 第17-18页 |
| 2.3 可见近红外光谱分析发展现状 | 第18-19页 |
| 2.4 可见近红外光谱检测方法 | 第19-20页 |
| 2.5 可见近红外光谱分析中的化学计量学方法 | 第20-27页 |
| 2.5.1 可见近红外光谱预处理方法 | 第20-22页 |
| 2.5.1.1 平滑 | 第20页 |
| 2.5.1.2 导数 | 第20-21页 |
| 2.5.1.3 多元散射校正(MSC) | 第21页 |
| 2.5.1.4 标准正态变量变换(SNV) | 第21-22页 |
| 2.5.2 定量分析方法 | 第22-25页 |
| 2.5.2.1 逐步多元线性回归(SMLR) | 第22页 |
| 2.5.2.2 偏最小二乘法(PLS) | 第22-23页 |
| 2.5.2.3 主成分回归(PCR) | 第23页 |
| 2.5.2.4 误差反传人工神经网络(BP-ANN) | 第23-24页 |
| 2.5.2.6 最小二乘支持向量机(LS-SVM) | 第24-25页 |
| 2.5.3 特征波长选择方法 | 第25页 |
| 2.5.3.1 间隔偏最小二乘法(iPLS) | 第25页 |
| 2.5.3.2 反向区间偏最小二乘法(biPLS) | 第25页 |
| 2.5.3.3 联合区间偏最小二乘法(siPLS) | 第25页 |
| 2.5.4 模型评价方法 | 第25-27页 |
| 2.6 本章小结 | 第27页 |
| 3 实验仪器、样品和方法 | 第27-35页 |
| 3.1 可见近红外漫透射光谱在线检测装置 | 第27-29页 |
| 3.2 实验所用主要的仪器 | 第29-31页 |
| 3.2.1 便携式光谱仪 | 第29页 |
| 3.2.2 品质指标测定仪器 | 第29-31页 |
| 3.3 实验样品 | 第31-32页 |
| 3.4 蜜瓜内部指标测定方法 | 第32-33页 |
| 3.4.1 糖度(Sugar Content)理化分析方法 | 第32-33页 |
| 3.4.2 硬度(Hardness)理化分析方法 | 第33页 |
| 3.5 漫透射光谱采集 | 第33-34页 |
| 3.5.1 静态漫透射光谱采集 | 第33页 |
| 3.5.2 在线漫透射光谱采集 | 第33-34页 |
| 3.5.3 去除非食用组织后的蜜瓜光谱采集 | 第34页 |
| 3.6 本章小结 | 第34-35页 |
| 4 光谱数据分析和模型建立 | 第35-69页 |
| 4.1 样品光谱预处理 | 第35页 |
| 4.2 建模软件 | 第35-38页 |
| 4.2.1 OMNIC v6.1a软件 | 第36页 |
| 4.2.2 TQ Analyst v6.2.1软件 | 第36-37页 |
| 4.2.3 Matlab 7.10软件 | 第37-38页 |
| 4.3 异常样品的剔除 | 第38-39页 |
| 4.4 非食用组织对建模精度的影响及校正方法研究 | 第39-50页 |
| 4.4.1 去除非食用组织前后试验样品光谱差异 | 第39-40页 |
| 4.4.2 非食用组织对品质指标检测的影响 | 第40-47页 |
| 4.4.3 非食用组织对光谱影响的主要波段的选择 | 第47-50页 |
| 4.5 河套蜜瓜品质可见近红外光谱特征变量提取方法研究 | 第50-57页 |
| 4.5.1 特征波长选择的意义 | 第50页 |
| 4.5.2 特征波长选取结果 | 第50-57页 |
| 4.5.2.1 SMLR选取结果 | 第50-54页 |
| 4.5.2.2 iPLS、siPLS、biPLS选取结果 | 第54-57页 |
| 4.6 不同建模方法对建模与预测结果的影响 | 第57-68页 |
| 4.6.1 传统建模方法(PLS、PCR、SMLR) | 第59-61页 |
| 4.6.2 新型网络建模方法(BP-ANN、LS-SVM) | 第61-68页 |
| 4.6.2.1 主成分分析(PCA) | 第61页 |
| 4.6.2.2 误差反传人工神经网络(BP-ANN) | 第61-65页 |
| 4.6.2.3 最小二乘支持向量机(LS-SVM) | 第65-68页 |
| 4.7 本章小结 | 第68-69页 |
| 5 结论与展望 | 第69-71页 |
| 5.1 结论 | 第69-70页 |
| 5.2 创新点 | 第70页 |
| 5.3 展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 作者简介 | 第76页 |
