摘要 | 第1-9页 |
ABSTRACT | 第9-12页 |
缩略语 | 第12-13页 |
第1章 绪论 | 第13-28页 |
·研究的目的与意义 | 第13-15页 |
·稻米的消费地位 | 第13页 |
·稻米的食用品质概述 | 第13-15页 |
·稻米的分级标准 | 第15-16页 |
·国内外研究进展 | 第16-25页 |
·外部品质检测研究进展 | 第16-20页 |
·内部品质检测研究进展 | 第20-25页 |
·研究内容与方法 | 第25-28页 |
·可见光下最佳稻米图像采集环境研究 | 第25页 |
·具有自适应特性的垩白识别算法研究 | 第25-26页 |
·基于近红外光谱的稻米直链淀粉含量快速检测模型研究 | 第26-27页 |
·陈化米快速检测模型研究 | 第27-28页 |
第2章 可见光条件下图像采集环境研究 | 第28-39页 |
·引言 | 第28-29页 |
·材料与方法 | 第29-33页 |
·图像采集灯箱的设计 | 第29页 |
·试验材料 | 第29页 |
·试验方法 | 第29-30页 |
·正交小波分解算法 | 第30-33页 |
·结果与分析 | 第33-38页 |
·透射光情况 | 第33-37页 |
·反射光情况 | 第37-38页 |
·本章小结 | 第38-39页 |
第3章 稻米图像处理基础算法研究 | 第39-48页 |
·引言 | 第39页 |
·颜色模型 | 第39-43页 |
·RGB | 第39-40页 |
·HSI | 第40-41页 |
·颜色直方图 | 第41-43页 |
·图像降噪 | 第43-45页 |
·均值滤波 | 第43-44页 |
·中值滤波 | 第44-45页 |
·图像分割 | 第45-47页 |
·本章小结 | 第47-48页 |
第4章 基于机器学习的稻米垩白识别算法研究 | 第48-62页 |
·引言 | 第48-49页 |
·云理论介绍 | 第49-54页 |
·云理论产生的背景 | 第49-52页 |
·正向云发生器 | 第52页 |
·逆向云发生器 | 第52-54页 |
·材料与方法 | 第54-58页 |
·试验图像样本 | 第54页 |
·直方图分析 | 第54-55页 |
·基于云的垩白识别方法 | 第55-58页 |
·结果与分析 | 第58-59页 |
·算法的精确度检验 | 第58-59页 |
·算法的适应性检验 | 第59页 |
·群体稻米垩白参数计算 | 第59-61页 |
·本章小结 | 第61-62页 |
第5章 近红外光谱技术在直链淀粉含量检测中的应用研究 | 第62-95页 |
·引言 | 第62页 |
·近红外分析技术简介 | 第62-67页 |
·近红外光谱分析理论基础 | 第63-64页 |
·分析流程 | 第64-66页 |
·模型评价参数 | 第66-67页 |
·光谱采集参数对近红外光谱响应特性的影响研究 | 第67-77页 |
·旋转与否 | 第67-69页 |
·分辨率 | 第69-71页 |
·扫描次数 | 第71-73页 |
·环境温度 | 第73-77页 |
·光谱预处理方法对建模效果的影响研究 | 第77-92页 |
·异常光谱剔除 | 第79-85页 |
·光谱除噪 | 第85-92页 |
·定量分析方法对建模效果的影响研究 | 第92-93页 |
·本章小结 | 第93-95页 |
第6章 近红外光谱技术在陈化米检测中的应用研究 | 第95-116页 |
·引言 | 第95-96页 |
·实验材料与方法 | 第96-111页 |
·实验材料与光谱采集 | 第96页 |
·陈化米近红外光谱响应特性研究 | 第96-97页 |
·光谱预处理方法 | 第97-102页 |
·光谱特征提取方法 | 第102-107页 |
·建模方法 | 第107-111页 |
·结果与讨论 | 第111-115页 |
·线性模型 | 第111-112页 |
·非线性模型 | 第112-115页 |
·本章小结 | 第115-116页 |
第7章 总结与展望 | 第116-119页 |
·结论 | 第116-117页 |
·创新之处 | 第117-118页 |
·展望 | 第118-119页 |
参考文献 | 第119-128页 |
攻读博士期间发表学术论文 | 第128-129页 |
致谢 | 第129-130页 |
附录 | 第130-132页 |