| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第13-24页 |
| 1.1 研究的目的与意义 | 第13-16页 |
| 1.2 蔬菜品质检测的国内外研究现状 | 第16-20页 |
| 1.2.1 蔬菜品质的传统检测方法 | 第16-18页 |
| 1.2.2 蔬菜品质的无损检测方法 | 第18-20页 |
| 1.3 机器视觉在蔬菜品质检测中的应用 | 第20-22页 |
| 1.4 电子鼻技术在蔬菜品质检测中的应用 | 第22-23页 |
| 1.5 本研究的主要内容 | 第23页 |
| 1.6 本章小结 | 第23-24页 |
| 第二章 采后菠菜的感官评价和理化指标测定 | 第24-29页 |
| 2.1 试验材料 | 第24页 |
| 2.2 采后菠菜的感官评定 | 第24-27页 |
| 2.2.1 感官评价方法 | 第24-25页 |
| 2.2.2 感官得分统计 | 第25-27页 |
| 2.2.3 结果与分析 | 第27页 |
| 2.3 叶绿素含量检测 | 第27-28页 |
| 2.3.1 检测方法 | 第27-28页 |
| 2.3.2 结果与分析 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于机器视觉的菠菜品质检测 | 第29-53页 |
| 3.1 菠菜采后外观变化机理 | 第29页 |
| 3.2 机器视觉硬件系统设计 | 第29-35页 |
| 3.2.1 光照设计及光源选择 | 第30-31页 |
| 3.2.2 相机和镜头选型 | 第31-35页 |
| 3.3 图像采集 | 第35页 |
| 3.4 图像处理 | 第35-42页 |
| 3.4.1 常用颜色模型介绍 | 第36-38页 |
| 3.4.2 菠菜叶片分割 | 第38-42页 |
| 3.5 颜色特征提取 | 第42-43页 |
| 3.5.1 菠菜新鲜度判别的颜色特征提取 | 第42页 |
| 3.5.2 菠菜叶绿素含量预测的颜色特征提取 | 第42-43页 |
| 3.6 基于图像信息的菠菜新鲜度等级判别 | 第43-48页 |
| 3.6.1 K-近邻法模型对菠菜新鲜度的等级判别 | 第44-45页 |
| 3.6.2 BP神经网络模型对菠菜新鲜度的等级判别 | 第45-48页 |
| 3.7 基于图像信息的菠菜叶绿素定量预测 | 第48-52页 |
| 3.7.1 定量模型评价指标 | 第48-49页 |
| 3.7.2 偏最小二乘回归对叶绿素的定量预测 | 第49-51页 |
| 3.7.3 BP神经网络对叶绿素的定量预测 | 第51-52页 |
| 3.8 本章小结 | 第52-53页 |
| 第四章 基于电子鼻的菠菜品质检测 | 第53-60页 |
| 4.1 电子鼻检测原理与方法 | 第53-54页 |
| 4.1.1 电子鼻检测原理 | 第53页 |
| 4.1.2 检测方法 | 第53-54页 |
| 4.2 电子鼻传感阵列优化 | 第54-55页 |
| 4.3 基于气味信息的菠菜新鲜度等级判别 | 第55-58页 |
| 4.3.1 支持向量机模型对菠菜新鲜度的等级判别 | 第55-56页 |
| 4.3.2 BP神经网络模型对菠菜新鲜度的等级判别 | 第56-58页 |
| 4.4 基于气味信息的菠菜叶绿素定量检测 | 第58-59页 |
| 4.4.1 BP神经网络模型的建立 | 第58页 |
| 4.4.2 模型预测结果与分析 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 基于机器视觉和电子鼻融合信息的菠菜品质检测 | 第60-67页 |
| 5.1 多信息融合的原理与方法 | 第60-61页 |
| 5.2 基于融合信息的菠菜新鲜度等级判别 | 第61-63页 |
| 5.3 基于融合信息的菠菜叶绿素定量预测 | 第63-64页 |
| 5.4 不同检测结果的比较分析 | 第64-65页 |
| 5.5 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 研究总结 | 第67-68页 |
| 6.2 研究展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 攻读硕士期间发表的学术论文 | 第74页 |
