论文说明
声明
插图索引
插表索引
缩略语表
摘要
第1章 绪论
1.1 研究目的与意义
1.2 机器视觉技术的农产品无损检测研究进展
1.2.1 农产品外部品质检测与分级的研究现状
1.2.2 图像特征的研究现状
1.3 近红外光谱技术的农产品无损检测研究进展
1.3.1 农产品内部品质定性分析与定量检测的研究现状
1.3.2 光谱特征的研究现状
1.4 马铃薯品质无损检测的国内外研究进展
1.4.1 外部品质的检测
1.4.2 内部品质的检测
1.5 多源信息融合技术在农产品无损检测中的应用
1.6 马铃薯无损检测中待解决的问题
1.7 研究内容与技术路线
第2章 基于机器视觉的马铃薯品质分级检测方法研究
2.1 概述
2.2 图像的定性分析方法
2.2.1 图像分割方法
2.2.2 基于灰度梯度的图像特征提取方法
2.2.3 基于流形学习算法的图像特征提取方法
2.2.4 图像的定性分析建模方法与优化方法
2.3 材料与试验方法
2.3.1 试验材料
2.3.2 图像采集装置与采集方式
2.3.3 不同品质的马铃薯图像灰度值差异分析
2.4 不同马铃薯图像分割方法的结果分析
2.5 图像特征提取方法对马铃薯分级模型的影响
2.5.1 Freeman链码与等距映射法结合的方法
2.5.2 Freeman链码与主成分分析结合的方法
2.5.3 方向梯度直方图法与等距映射法结合的方法
2.5.4 方向梯度直方图法与主成分分析结合的方法
2.5.5 不同图像特征提取方法所建模型的比较
2.6 马铃薯外部品质在线检测系统
2.6.1 马铃薯视觉在线采集试验平台
2.6.2 马铃薯外部品质在线检测系统
2.7 本章小结
第3章 基于近红外光谱的马铃薯品质分级检测方法研究
3.1 概述
3.2 光谱的定性检测方法
3.2.1 光谱预处理方法
3.2.2 基于波段优选的光谱特征提取方法
3.2.3 基于流形学习算法的光谱特征提取方法
3.2.4 光谱的定性分析建模与优化方法
3.3 材料与试验方法
3.3.1 试验材料
3.3.2 试验仪器与采集方式
3.3.3 不同品质马铃薯的光谱吸光度差异分析
3.4 光谱特征提取方法对马铃薯分级模型的影响
3.4.1 遗传算法
3.4.2 连续投影算法
3.4.3 拉普拉斯特征映射法
3.4.4 核主成分分析
3.4.5 主成分分析
3.4.6 不同光谱特征提取方法所建模型的比较
3.5 基于近红外光谱的马铃薯内部品质检测模型
3.6 本章小结
第4章 基于多源信息融合技术的马铃薯分级方法研究
4.1 概述
4.2 多源信息的融合方法
4.2.1 决策层融合
4.2.2 特征层融合
4.3 材料与试验方法
4.3.1 试验材料
4.3.2 试验装置与采集方法
4.4 基于DS证据理论的马铃薯分级决策层融合模型
4.5 基于特征层融合的马铃薯分级模型
4.5.1 AdaBoost融合模型的建立
4.5.2 支持向量机融合模型的建立
4.6 不同融合方法所建模型的比较
4.7 多源融合模型与单一机器视觉或近红外光谱所建模型的比较
4.8 基于多源信息融合的马铃薯分级检测模型
4.9 本章小结
第5章 结论与展望
5.1 主要结论
5.2 创新之处
5.3 展望
参考文献
攻读博士期间的科研工作及成果
致谢