学位论文 > 优秀研究生学位论文题录展示

基于高光谱成像技术的鲜枣分级技术的研究

作　者: 尹丽华
导　师: 张淑娟
学　校: 山西农业大学
专　业: 农业机械化工程
关键词: 梨枣高光谱损伤糖度分级无损检测
分类号: S665.1
类　型: 硕士论文
年　份: 2013年
下　载: 78次
引　用: 0次
阅　读: 论文下载

内容摘要

红枣以其较高的药用价值和丰富的营养价值一直被人们所信赖,人们对其口感风味以及外观品质的要求逐渐增高。本文以鲜食品种中的梨枣为对象,研究用高光谱成像技术对梨枣的快速无损检测方法。本实验提出了基于高光谱技术的梨枣检测模型,为高光谱在线分级技术的研究提供了理论数据。研究的主要内容及结论有：(1)实验分析对比了不同预处理方法对光谱模型的影响。从高光谱图像中提取光谱数据,分别用16种不同的预处理方法对其进行预处理,最后建立偏最小二乘法模型。结果表明,在定性分析中,用dbl小波基函数进行9层分解一层去基预处理建模参数最好；定量分析中应用dbl小波基函数进行9层分解一层去基加一层去噪预处理建模参数最好。(2)本实验用了多种简化数据和优化数据的降维方法来提取光谱特征信息。文中提取的特征信息有特征波长、主成分、小波近似系数和特征系数。在定性判别分析中,通过降维分析,从472个波长中提取了9个特征波长、10个主成分、43个近似系数和12个特征系数,数据量分别降低了98.09%、97.88%、90.89%和97.46%；在定量分析中,通过降维分析,从472个波长中提取了21个特征波长、10个主成分、43个近似系数和16个特征系数,数据量分别降低了95.55%、97.88%、90.89%和97.46%。(3)在用高光谱数据进行不同特征损伤梨枣的分类鉴别时,通过分析不同的全波段模型、特征波段模型、近似系数模型、特征系数模型和主成分模型的模型参数和预测效果,综合考虑建模的变量数,认为用12个特征系数作为特征参数,用逐步判别模型优选出6个参数进行线性组合构成的分类模型最优,判别准确率达到99.12%。(4)在用高光谱数据进行糖度质量分数建模预测时,通过分析不同建模方法的全波段模型、特征波段模型、近似系数模型和特征系数模型的参数和预测效果,综合考虑建模的变量数,认为用光谱特征系数作为特征参数,建立的PLS模型性能最优,预测效果最好,预测集决定系数达到0.8499。(5)实验中用最小噪声去除法(MNF)和提取纯净像元法(PPI)两种方法创建参考波谱,并用光谱角度填图算法(SAM)对三类样本进行检测分类,并比较了两种参考波谱的分类效果。结果表明,用PPI参考波谱对腐烂损伤和病害损伤的检测效果比MNF参考波谱好,因此在进行梨枣在线检测分类时选择用PPI参考波谱作为标准参考波谱进行分类检测准确率更好,且用PPI参考波谱进行检测时,对腐烂样本、病害样本和正常样本检测时阈值分别设为0.080、0.080和0.085。

全文目录

摘要  8-10
第一章绪论  10-15
  1.1 研究背景  10-11
  1.2 高光谱成像技术的原理  11
  1.3 国内发展现状  11-13
  1.4 国内外研究存在的问题  13
  1.5 论文的主要研究内容及方法  13-14
  1.6 本章小结  14-15
第二章实验材料、实验设备及研究方法  15-29
  2.1 实验材料及实验设计  15-17
    2.1.1 实验材料  15
    2.1.2 实验设计  15-17
  2.2 实验设备  17-18
    2.2.1 高光谱成像系统硬件平台  17-18
    2.2.2 高光谱成像系统的软件平台  18
    2.2.3 糖度仪  18
  2.3 实验分析方法  18-20
  2.4 实验数据处理方法  20-28
    2.4.1 预处理方法  20-21
    2.4.2 光谱特征提取方法  21-22
    2.4.3 建模方法  22-28
  2.5 本章小结  28-29
第三章高光谱成像技术的定性分析  29-65
  3.1 光谱预处理  29-31
    3.1.1 光谱信息  29-30
    3.1.2 光谱预处理  30-31
  3.2 全波段光谱建模分类  31-36
    3.2.1 全波长DPLS模型分类结果  31-32
    3.2.2 全波长PCR模型分类结果  32-33
    3.2.3 全波长逐步判别模型分类结果  33-35
    3.2.4 全波长LS-SVM模型分类结果  35-36
    3.2.5 小结  36
  3.3 特征波长建模分类  36-42
    3.3.1 提取特征波长  36-37
    3.3.2 特征波长DPLS模型分类结果  37-38
    3.3.3 特征波长PCR模型分类结果  38-39
    3.3.4 特征波长逐步判别模型分类结果  39-41
    3.3.5 特征波长LS-SVM模型分类结果  41-42
    3.3.6 小结  42
  3.4 近似系数建模分类  42-49
    3.4.1 提取近似系数  42-44
    3.4.2 近似系数DPLS模型分类结果  44-45
    3.4.3 近似系数PCR模型分类结果  45-46
    3.4.4 近似系数逐步判别模型分类结果  46-47
    3.4.5 近似系数LS-SVM模型分类结果  47-49
    3.4.6 小结  49
  3.5 特征系数建模分类  49-55
    3.5.1 提取特征系数  49-50
    3.5.2 特征系数DPLS模型分类结果  50-51
    3.5.3 特征系数PCR模型分类结果  51-52
    3.5.4 特征系数逐步判别模型分类结果  52-54
    3.5.5 特征系数LS-SVM模型分类结果  54-55
    3.5.6 小结  55
  3.6 主成分建模分类  55-63
    3.6.1 提取主成分  55-56
    3.6.2 主成分DPLS分类结果  56-57
    3.6.3 主成分PCR模型分类结果  57-58
    3.6.4 主成分逐步判别模型分类结果  58-60
    3.6.5 主成分LS-SVM分类结果  60-61
    3.6.6 主成分BPNN模型分类结果  61-63
    3.6.7 小结  63
  3.7 本章小结  63-65
第四章高光谱成像技术的定量分析  65-78
  4.1 光谱预处理  65-68
    4.1.1 原始光谱图  65
    4.1.2 全光谱PLS建模  65-67
    4.1.3 光谱预处理  67-68
  4.2 全波段光谱建模分析  68-69
  4.3 特征波长建模分析  69-72
    4.3.1 用连续投影法提取特征波长  69-70
    4.3.2 特征波长建模分析  70-72
  4.4 近似系数建模分析  72-73
    4.4.1 提取近似系数  72
    4.4.2 近似系数建模分析  72-73
  4.5 特征系数建模分析  73-76
    4.5.1 提取特征系数  73-74
    4.5.2 特征系数建模分析  74-76
  4.6 本章小结  76-78
第五章高光谱图像技术的分类检测  78-88
  5.1 预处理  78-79
  5.2 用光谱角度填图算法检测分类  79
  5.3 MNF端元参考波谱分类  79-83
    5.3.1 MNF端元参考波谱  79-81
    5.3.2 MNF波谱分类结果  81-83
    5.3.3 小结  83
  5.4 PPI端元参考波谱分类  83-87
    5.4.1 PPI端元参考波谱  83-84
    5.4.2 PPI波谱分类结果  84-86
    5.4.3 小结  86-87
  5.5 本章小结  87-88
第六章结论与展望  88-90
  6.1 主要研究结论  88-89
  6.2 主要创新点  89
  6.3 进一步研究设想  89-90
参考文献  90-92
Abstract  92-94
致谢  94

基于高光谱成像技术的鲜枣分级技术的研究

内容摘要

全文目录

相似论文