声明
摘要
1.1课题研究的背景和意义
1.2国内外研究现状分析
1.2.1国外研究现状
1.2.2国内研究现状
1.3 目前研究中存在的问题
1.4深度学习的应用现状
1.5本文研究的主要内容
1.5.1研究的主要内容
1.5.2研究的技术路线
2可见/近红外光谱分析技术
2.1 可见/近红外光谱分析技术的基本原理
2.2 常用的光谱预处理方法介绍
2.2.1导数算法
2.2.2多元散射矫正
2.2.3标准归一化
2.2.4 Savitzky-Golay卷积平滑
2.3常用的光谱回归建模方法
2.3.2主成分回归
2.4可见/近红外光谱分析模型的评价标准
2.4.1决定系数
2.4.2均方根误差
3基于深度学习的回归建模方法
3.1深度学习基本思想
3.1.1深度学习概述
3.1.2深度学习技术的优点
3.2常见的深度学习算法简介
3.2.1反向传播算法
3.2.2多层感知机
3.2.3卷积神经网络
3.3数据的预处理
3.3.1主成分分析法
3.3.2二维光谱信息矩阵
3.4基于深度学习的糖度回归模型
3.4.1基本网络结构
3.4.2神经网络的优化
4.1研究对象
4.2实验仪器及对比软件的选择
4.2.1光路系统设计
4.2.2光源选型
4.2.3标准漫反射白板
4.2.4光谱仪
4.2.5 LB32T手持糖度计折光仪
4.2.6 SpectraSuite光谱采集软件
4.2.7数据处理软件Unscrambler
4.2.8数据处理软件Matlab
4.2.9人工智能学习系统
4.3实验过程介绍
5基于深度学习的水果糖度检测模型
5.1 不同的样本数量对深度学习回归模型的影响
5.2不同训练集与验证集样本比例对深度学习回归模型的影响
5.3 不同预处理方法对深度学习回归模型的影响
5.4不同的波段选择对深度学习回归模型的影响
5.4不同水果的模型结果分析
5.5深度学习回归模型评价
5.6数据展示系统
6.1主要研究结论
6.2主要创新点
6.3进一步研究展望
参考文献
附录
作者简历及攻读硕士/博士学位期间取得的研究成果