| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题的研究背景 | 第11-13页 |
| 1.2 高光谱成像技术概述 | 第13-14页 |
| 1.3 高光谱技术无损检测水果品质的国内外研究现状 | 第14-16页 |
| 1.3.1 国外研究现状 | 第14-15页 |
| 1.3.2 国内研究现状 | 第15-16页 |
| 1.4 本文主要研究内容 | 第16-17页 |
| 第二章 实验设备及预处理方法 | 第17-31页 |
| 2.1 高光谱成像系统概述 | 第17-19页 |
| 2.1.1 高光谱成像系统结构 | 第17-18页 |
| 2.1.2 高光谱图像采集步骤 | 第18-19页 |
| 2.2 其他设备 | 第19-21页 |
| 2.3 选择感兴趣区域 | 第21-22页 |
| 2.4 样本划分 | 第22-23页 |
| 2.5 光谱数据预处理方法 | 第23-27页 |
| 2.6 特征波长选取方法 | 第27-28页 |
| 2.6.1 主成分分析法 | 第27-28页 |
| 2.6.2 连续投影算法 | 第28页 |
| 2.7 模型评价参数 | 第28-31页 |
| 第三章 苹果可溶性固形物含量预测模型的建立 | 第31-49页 |
| 3.1 预测模型概述 | 第31-37页 |
| 3.1.1 遗传算法优化支持向量机 | 第31-34页 |
| 3.1.2 BP神经网络模型 | 第34-37页 |
| 3.2 实验材料 | 第37页 |
| 3.3 苹果高光谱图像的采集与黑白校正 | 第37-39页 |
| 3.4 苹果可溶性固形物含量的测量 | 第39-40页 |
| 3.5 高光谱图像数据预处理结果分析 | 第40-41页 |
| 3.6 光谱数据特征波长的选取 | 第41-42页 |
| 3.7 可溶性固形物含量预测模型的建立及结果分析 | 第42-48页 |
| 3.7.1 GA-SVR模型结果 | 第42-45页 |
| 3.7.2 BP神经网络模型结果 | 第45-47页 |
| 3.7.3 模型性能分析与评价 | 第47-48页 |
| 3.8 本章小结 | 第48-49页 |
| 第四章 苹果水分含量预测模型的建立 | 第49-63页 |
| 4.1 预测模型概述 | 第49-50页 |
| 4.1.1 网格搜索法 | 第49页 |
| 4.1.2 粒子群算法 | 第49-50页 |
| 4.2 实验材料 | 第50页 |
| 4.3 苹果高光谱图像的采集与黑白校正 | 第50-51页 |
| 4.4 苹果内部水分含量的测量 | 第51页 |
| 4.5 高光谱图像数据预处理结果分析 | 第51-54页 |
| 4.6 光谱数据特征波长的选取 | 第54-56页 |
| 4.6.1 PCA特征提取 | 第54-55页 |
| 4.6.2 SPA特征提取 | 第55-56页 |
| 4.7 预测模型的建立及结果分析 | 第56-61页 |
| 4.7.1 预测模型结果 | 第56-61页 |
| 4.7.2 模型性能分析与评价 | 第61页 |
| 4.8 本章小结 | 第61-63页 |
| 第五章 苹果果肉硬度预测模型的建立 | 第63-73页 |
| 5.1 预测模型概述 | 第63页 |
| 5.2 高光谱图像采集及黑白校正 | 第63-64页 |
| 5.3 苹果果肉硬度的测量 | 第64-65页 |
| 5.4 光谱预处理及特征提取 | 第65-67页 |
| 5.4.1 光谱预处理结果分析 | 第65页 |
| 5.4.2 SPA特征提取 | 第65-67页 |
| 5.5 预测模型的建立 | 第67-70页 |
| 5.5.1 遗传算法优化BP模型结果 | 第67-68页 |
| 5.5.2 遗传算法优化SVR模型结果 | 第68-70页 |
| 5.5.3 模型预测性能分析与评价 | 第70页 |
| 5.6 本章小结 | 第70-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 研究生期间撰写和发表的论文 | 第79-81页 |
| 致谢 | 第81页 |