| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第11-18页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 国内外研究现状分析 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 目前研究中存在的问题 | 第14-15页 |
| 1.4 深度学习的应用现状 | 第15-16页 |
| 1.5 本文研究的主要内容 | 第16-18页 |
| 1.5.1 研究的主要内容 | 第16-17页 |
| 1.5.2 研究的技术路线 | 第17-18页 |
| 2 可见/近红外光谱分析技术 | 第18-25页 |
| 2.1 可见/近红外光谱分析技术的基本原理 | 第18-19页 |
| 2.2 常用的光谱预处理方法介绍 | 第19-22页 |
| 2.2.1 导数算法 | 第19页 |
| 2.2.2 多元散射矫正 | 第19-20页 |
| 2.2.3 标准归一化 | 第20-21页 |
| 2.2.4 Savitzy-Golay卷积平滑 | 第21-22页 |
| 2.3 常用的光谱回归建模方法 | 第22-23页 |
| 2.3.1 偏最小二乘回归 | 第22页 |
| 2.3.2 主成分回归 | 第22-23页 |
| 2.4 可见/近红外光谱分析模型的评价标准 | 第23-25页 |
| 2.4.1 决定系数 | 第24页 |
| 2.4.2 均方根误差 | 第24-25页 |
| 3 基于深度学习的回归建模方法 | 第25-34页 |
| 3.1 深度学习的基本思想 | 第25-26页 |
| 3.1.1 深度学习概述 | 第25-26页 |
| 3.1.2 深度学习技术的优点 | 第26页 |
| 3.2 常见的深度学习算法简介 | 第26-30页 |
| 3.2.1 反向传播算法 | 第26-27页 |
| 3.2.2 多层感知机 | 第27-29页 |
| 3.2.3 卷积神经网络 | 第29-30页 |
| 3.3 数据的预处理 | 第30-31页 |
| 3.3.1 主成分分析法 | 第30-31页 |
| 3.3.2 二维光谱信息矩阵 | 第31页 |
| 3.4 基于深度学习的糖度回归模型 | 第31-34页 |
| 3.4.1 基本网络结构 | 第31-33页 |
| 3.4.2 神经网络的优化 | 第33-34页 |
| 4 实验操作与过程 | 第34-44页 |
| 4.1 研究对象 | 第34-35页 |
| 4.2 实验仪器及对比软件的选择 | 第35-42页 |
| 4.2.1 光路系统设计 | 第35-36页 |
| 4.2.2 光源选型 | 第36-37页 |
| 4.2.3 标准漫反射白板 | 第37页 |
| 4.2.4 光谱仪 | 第37-38页 |
| 4.2.5 LB32T手持糖度计折光仪 | 第38-39页 |
| 4.2.6 SpectrSuite光谱采集软件 | 第39页 |
| 4.2.7 数据处理软件Unscrambler | 第39-40页 |
| 4.2.8 数据处理软件Matlab | 第40-41页 |
| 4.2.9 人工智能学习系统 | 第41-42页 |
| 4.3 实验过程介绍 | 第42-44页 |
| 5 基于深度学习的水果糖度检测模型 | 第44-59页 |
| 5.1 不同的样本数量对深度学习回归模型的影响 | 第45-48页 |
| 5.2 不同训练集与验证集样本比例对深度学习回归模型的影响 | 第48-50页 |
| 5.3 不同预处理方法对深度学习回归模型的影响 | 第50-53页 |
| 5.4 不同的波段选择对深度学习回归模型的影响 | 第53-56页 |
| 5.5 不同水果的模型结果分析 | 第56-57页 |
| 5.6 深度学习回归模型评价 | 第57-58页 |
| 5.7 数据展示系统 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 主要研究结论 | 第59页 |
| 6.2 主要创新点 | 第59-60页 |
| 6.3 进一步研究展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 A | 第65-73页 |
| 附录 B | 第73-81页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第81-83页 |
| 学位论文数据集 | 第83页 |