| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 近红外光谱技术研究现状 | 第14-16页 |
| 1.2.2 卷积神经网络研究现状 | 第16-17页 |
| 1.2.3 卷积神经网络在近红外光谱分析领域的研究现状 | 第17-18页 |
| 1.3 论文研究内容 | 第18-19页 |
| 1.4 论文的组织安排 | 第19-20页 |
| 第2章 相关技术概述 | 第20-34页 |
| 2.1 近红外光谱技术 | 第20-21页 |
| 2.1.1 NIR光谱分析技术的原理 | 第20页 |
| 2.1.2 近红外光谱技术的特点 | 第20-21页 |
| 2.1.3 近红外光谱分析的一般流程 | 第21页 |
| 2.2 光谱数据分析步骤与方法 | 第21-28页 |
| 2.2.1 训练样品选择 | 第21-22页 |
| 2.2.2 光谱数据采集 | 第22-23页 |
| 2.2.3 光谱数据预处理 | 第23-24页 |
| 2.2.4 特征波长筛选 | 第24-25页 |
| 2.2.5 定性判别分析算法研究 | 第25-26页 |
| 2.2.6 定量校正分析方法研究 | 第26-27页 |
| 2.2.7 模型性能评价参数 | 第27-28页 |
| 2.3 卷积神经网络算法 | 第28-31页 |
| 2.3.1 卷积神经网络架构 | 第28-29页 |
| 2.3.2 卷积神经网络的卷积运算 | 第29-30页 |
| 2.3.3 卷积神经网络的下采样 | 第30页 |
| 2.3.4 卷积神经网络的优点 | 第30-31页 |
| 2.4 Keras简介 | 第31-33页 |
| 2.4.1 Keras的优点 | 第32页 |
| 2.4.2 Keras的工作流程 | 第32页 |
| 2.4.3 Keras模块介绍 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于CNN的水心苹果分类模型研究 | 第34-45页 |
| 3.1 实验材料 | 第34页 |
| 3.2 实验仪器 | 第34页 |
| 3.3 光谱数据采集与预处理 | 第34-36页 |
| 3.4 基于CNN的分类模型 | 第36-42页 |
| 3.4.1 基于CNN的苹果水心分类模型的设计 | 第36-38页 |
| 3.4.2 CNN模型的训练 | 第38-42页 |
| 3.5 实验结果分析与讨论 | 第42-44页 |
| 3.5.1 预测模型评价 | 第42页 |
| 3.5.2 预处理对模型预测精度的影响 | 第42-43页 |
| 3.5.3 建模样本量对模型预测精度的影响 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 水心苹果在线检测系统开发 | 第45-53页 |
| 4.1 开发环境 | 第45页 |
| 4.2 需求分析 | 第45-46页 |
| 4.2.1 功能需求 | 第45-46页 |
| 4.2.2 非功能需求 | 第46页 |
| 4.3 系统设计 | 第46-48页 |
| 4.3.1 系统结构设计 | 第46-47页 |
| 4.3.2 系统界面设计 | 第47-48页 |
| 4.4 系统开发 | 第48页 |
| 4.4.1 串口连接功能开发 | 第48页 |
| 4.4.2 光谱测量功能开发 | 第48页 |
| 4.5 水心苹果在线检测软件运行及测试 | 第48-52页 |
| 4.5.1 系统整体运行测试 | 第48-50页 |
| 4.5.2 系统功能模块测试 | 第50-52页 |
| 4.5.3 在线检测系统性能验证 | 第52页 |
| 4.6 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |