| 摘要 | 第5-6页 |
| 英文摘要 | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究目的和意义 | 第10-11页 |
| 1.2 国内外研究进展 | 第11-14页 |
| 1.2.1 高光谱成像技术在农产品检测中的应用进展 | 第12-13页 |
| 1.2.2 高光谱成像技术在葡萄品质检测中的应用进展 | 第13-14页 |
| 1.3 高光谱成像技术检测酚类物质含量的理化基础 | 第14-15页 |
| 1.4 研究内容与技术路线 | 第15-16页 |
| 1.4.1 研究内容 | 第15页 |
| 1.4.2 技术路线 | 第15-16页 |
| 1.5 论文的组织安排 | 第16-18页 |
| 第二章 实验数据采集与高光谱图像处理 | 第18-26页 |
| 2.1 实验材料 | 第18-19页 |
| 2.2 化学值测量 | 第19页 |
| 2.3 实验设备 | 第19-21页 |
| 2.3.1 光谱仪器选择 | 第19-21页 |
| 2.3.2 高光谱图像采集设备 | 第21页 |
| 2.4 高光谱数据采集 | 第21-22页 |
| 2.5 高光谱图像处理 | 第22-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 高光谱预处理及建模方法 | 第26-35页 |
| 3.1 高光谱数据预处理方法 | 第26-30页 |
| 3.1.1 算法选择 | 第26-27页 |
| 3.1.2 S-G平滑方法 | 第27-28页 |
| 3.1.3 多元散射校正 | 第28页 |
| 3.1.4 变量标准化 | 第28-29页 |
| 3.1.5 导数处理 | 第29页 |
| 3.1.6 高光谱预处理结果 | 第29-30页 |
| 3.2 定标模型相关方法 | 第30-33页 |
| 3.2.1 算法选择 | 第30-31页 |
| 3.2.2 偏最小二乘回归 | 第31-32页 |
| 3.2.3 支持向量回归 | 第32-33页 |
| 3.2.4 BP神经网络 | 第33页 |
| 3.3 定标模型评价指标 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 高光谱成像技术检测酿酒葡萄的花色苷含量 | 第35-41页 |
| 4.1 花色苷含量测定结果 | 第35页 |
| 4.2 酿酒葡萄的光谱特征分析 | 第35-36页 |
| 4.3 模型的建立与验证 | 第36-39页 |
| 4.3.1 PLSR建立花色苷含量模型 | 第36-38页 |
| 4.3.2 SVR建立花色苷含量模型 | 第38-39页 |
| 4.4 实验结论 | 第39页 |
| 4.5 本章小结 | 第39-41页 |
| 第五章 高光谱成像技术检测酿酒葡萄的总酚含量 | 第41-45页 |
| 5.1 总酚含量测定结果 | 第41页 |
| 5.2 模型的建立与验证 | 第41-44页 |
| 5.2.1 PLSR建立总酚含量模型 | 第41-42页 |
| 5.2.2 BPNN建立总酚含量模型 | 第42-44页 |
| 5.3 实验结论 | 第44页 |
| 5.4 本章小结 | 第44-45页 |
| 第六章 结论与展望 | 第45-46页 |
| 6.1 主要结论 | 第45页 |
| 6.2 展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-51页 |
| 作者简介 | 第51页 |