花生是我國(guó)重要的糧食作物之一,具有非常高的經(jīng)濟(jì)和營(yíng)養(yǎng)價(jià)值,在整個(gè)食品市場(chǎng)中占有重要地位�；ㄉ趾�,脂肪含量以及霉變與否直接決定其品質(zhì)優(yōu)劣。傳統(tǒng)檢測(cè)方法多為化學(xué)手段,檢測(cè)過(guò)程破壞樣品,耗時(shí)繁瑣,并且很大程度上受操作者經(jīng)驗(yàn)的影響。因此,研究花生品質(zhì)的準(zhǔn)確和快速無(wú)損檢測(cè)技術(shù)尤為重要。本研究以花生為研究對(duì)象,采用高光譜成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)分析方法提出了準(zhǔn)確和快速無(wú)損的花生霉變、水分含量以及脂肪含量的檢測(cè)方法。具體研究?jī)?nèi)容如下:首先,運(yùn)用1000～2500 nm波段范圍的高光譜成像技術(shù)進(jìn)行霉變花生的分類檢測(cè)。采集所有花生樣本的高光譜圖像并提取每個(gè)霉變和健康花生的平均光譜數(shù)據(jù)。采用連續(xù)投影算法（SPA）進(jìn)行特征波段篩選,并基于特征波段建立偏最小二乘判別分析（PLS-DA）、線性判別分析（LDA）以及支持向量機(jī)（SVM）的分類模型。通過(guò)對(duì)比,在三個(gè)模型中,SPA-LDA分類模型檢測(cè)準(zhǔn)確率最高,達(dá)100%。最后,應(yīng)用SPA-LDA分類模型對(duì)花生樣本高光譜圖像所有像素進(jìn)行判別分類,霉變像素以紅色顯示,健康像素以綠色顯示,實(shí)現(xiàn)了霉變花生的可視化檢測(cè)。其次,運(yùn)用400～1000 nm波段范圍的高光譜成... 

【文章來(lái)源】：山東理工大學(xué)山東省

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究目的及意義
    1.2 高光譜成像技術(shù)在農(nóng)產(chǎn)品無(wú)損檢測(cè)方面的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 高光譜成像技術(shù)在國(guó)外研究中的應(yīng)用
        1.2.2 高光譜成像技術(shù)在國(guó)內(nèi)研究中的應(yīng)用
    1.3 研究?jī)?nèi)容
    1.4 技術(shù)路線
    1.5 本章小結(jié)
第二章 實(shí)驗(yàn)材料、儀器和方法
    2.1 實(shí)驗(yàn)材料
    2.2 實(shí)驗(yàn)儀器
        2.2.1 實(shí)驗(yàn)分析儀器
        2.2.2 高光譜成像設(shè)備
        2.2.3 數(shù)據(jù)分析軟件
    2.3 實(shí)驗(yàn)方法
        2.3.1 花生樣品水分和脂肪真實(shí)含量的測(cè)量方法
        2.3.2 高光譜圖像采集以及光譜數(shù)據(jù)提取方法
        2.3.3 光譜特征波段篩選方法
        2.3.4 化學(xué)計(jì)量學(xué)建模方法
        2.3.5 模型評(píng)價(jià)指標(biāo)
    2.4 本章小結(jié)
第三章 應(yīng)用高光譜成像技術(shù)準(zhǔn)確鑒別霉變花生
    3.1 樣本制備
    3.2 樣本高光譜圖像的采集以及光譜數(shù)據(jù)的提取
    3.3 提取特征波段
    3.4 基于特征波段建立霉變花生鑒別模型
        3.4.1 PLS-DA分類模型
        3.4.2 SVM分類模型
        3.4.3 LDA分類模型
        3.4.4 模型綜合比較
    3.5 霉變花生的可視化識(shí)別
    3.6 本章小結(jié)
第四章 應(yīng)用高光譜成像技術(shù)無(wú)損檢測(cè)花生水分含量
    4.1 樣本制備
    4.2 樣本高光譜圖像的采集以及光譜數(shù)據(jù)的提取
    4.3 樣本水分含量的測(cè)量以及樣本集的劃分
    4.4 光譜數(shù)據(jù)建模分析
        4.4.1 基于全譜波段建立水分含量檢測(cè)模型
        4.4.2 篩選特征波段
        4.4.3 基于特征波段建立水分含量檢測(cè)模型
        4.4.4 模型綜合比較
    4.5 本章小結(jié)
第五章 應(yīng)用高光譜成像技術(shù)無(wú)損檢測(cè)花生脂肪含量
    5.1 樣本選取
    5.2 樣本高光譜圖像的采集以及光譜數(shù)據(jù)的提取
    5.3 樣本脂肪含量的測(cè)量以及樣本集的劃分
    5.4 光譜數(shù)據(jù)建模分析
        5.4.1 基于全譜波段建立脂肪含量檢測(cè)模型
        5.4.2 篩選特征波段
        5.4.3 基于特征波段建立脂肪含量檢測(cè)模型
        5.4.4 模型綜合比較
    5.5 本章小結(jié)
第六章 總結(jié)和展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
在讀期間公開(kāi)發(fā)表的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]世界花生和花生油生產(chǎn)、貿(mào)易發(fā)展動(dòng)態(tài)及結(jié)構(gòu)特征[J]. 李淞淋,曹永躍.  世界農(nóng)業(yè). 2018(11)
[2]馬鈴薯干物質(zhì)空間分布狀態(tài)可視化研究[J]. 許英超,王相友,印祥,胡周勛,岳仁才.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(02)
[3]高光譜成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)可視化花生中蛋白質(zhì)含量分布[J]. 于宏威,王強(qiáng),石愛(ài)民,楊穎,劉麗,胡暉,劉紅芝.  光譜學(xué)與光譜分析. 2017(03)
[4]基于高光譜成像技術(shù)快速無(wú)損測(cè)定花生中水分含量[J]. 于宏威,劉紅芝,楊穎,石愛(ài)民,劉麗,胡暉,王強(qiáng).  農(nóng)產(chǎn)品加工. 2016(23)
[5]近紅外高光譜成像技術(shù)用于轉(zhuǎn)基因大豆快速無(wú)損鑒別研究[J]. 王海龍,楊向東,張初,郭東全,鮑一丹,何勇,劉飛.  光譜學(xué)與光譜分析. 2016(06)
[6]基于高光譜圖像紋理特征的牛肉嫩度分布評(píng)價(jià)[J]. 趙娟,彭彥昆.  農(nóng)業(yè)工程學(xué)報(bào). 2015(07)
[7]應(yīng)用近紅外高光譜成像預(yù)測(cè)三文魚(yú)肉的水分含量[J]. 朱逢樂(lè),何勇,邵詠妮.  光譜學(xué)與光譜分析. 2015(01)
[8]世界花生消費(fèi)現(xiàn)狀及發(fā)展趨勢(shì)[J]. 王通,陳娜,胡冬青,王冕,陳明娜,潘麗娟,遲曉元,禹山林.  花生學(xué)報(bào). 2014(04)
[9]應(yīng)用可見(jiàn)/近紅外高光譜成像測(cè)定鮭魚(yú)片脂肪含量分布（英文）[J]. 朱逢樂(lè),彭繼宇,高峻峰,趙艷茹,余克強(qiáng),何勇.  農(nóng)業(yè)工程學(xué)報(bào). 2014(23)
[10]基于高光譜成像技術(shù)的多寶魚(yú)肉冷藏時(shí)間的可視化研究[J]. 朱逢樂(lè),章海亮,邵詠妮,何勇.  光譜學(xué)與光譜分析. 2014(07)

博士論文
[1]基于光譜和光譜成像技術(shù)的茶葉含水率檢測(cè)機(jī)理和方法研究[D]. 魏玉震.浙江大學(xué) 2019
[2]谷物霉菌的高光譜成像辨識(shí)方法和霉變玉米籽粒檢測(cè)方法研究[D]. 褚璇.中國(guó)農(nóng)業(yè)大學(xué) 2018
[3]高光譜技術(shù)在馬鈴薯品種鑒別及品質(zhì)無(wú)損檢測(cè)中的應(yīng)用研究[D]. 姜微.東北農(nóng)業(yè)大學(xué) 2017
[4]農(nóng)產(chǎn)品無(wú)損檢測(cè)中的模式識(shí)別問(wèn)題研究[D]. 余心杰.浙江大學(xué) 2015
[5]基于光譜和高光譜成像技術(shù)的海水魚(yú)品質(zhì)快速無(wú)損檢測(cè)[D]. 朱逢樂(lè).浙江大學(xué) 2014
[6]基于高光譜成像技術(shù)的棉花雜質(zhì)檢測(cè)方法的研究[D]. 郭俊先.浙江大學(xué) 2011

碩士論文
[1]快速檢測(cè)紅棗中功能成分的光譜信號(hào)處理與識(shí)別[D]. 閆文麗.新疆大學(xué) 2019
[2]花生米品質(zhì)分選系統(tǒng)的關(guān)鍵技術(shù)研究[D]. 張凱.山東大學(xué) 2019
[3]高光譜技術(shù)在馬鈴薯淀粉含量無(wú)損檢測(cè)中的應(yīng)用研究[D]. 李亨.東北農(nóng)業(yè)大學(xué) 2018
[4]基于高光譜和近紅外信息融合的羊肉新鮮度無(wú)損檢測(cè)研究[D]. 邱園園.石河子大學(xué) 2018
[5]基于高光譜成像技術(shù)的玉米種子霉變檢測(cè)方法研究[D]. 崔博.沈陽(yáng)農(nóng)業(yè)大學(xué) 2017
[6]花生有害霉菌污染的快速無(wú)損檢測(cè)方法研究[D]. 劉鵬.南京林業(yè)大學(xué) 2017
[7]霉變花生仁色選試驗(yàn)研究[D]. 張德高.中國(guó)農(nóng)業(yè)科學(xué)院 2017
[8]基于高光譜圖像技術(shù)的大米品種、水分及淀粉含量無(wú)損檢測(cè)研究[D]. 路心資.江蘇大學(xué) 2017
[9]基于高光譜成像技術(shù)的干貝水分含量快速檢測(cè)研究[D]. 沈曄.浙江大學(xué) 2017
[10]基于高光譜成像技術(shù)的花生分類及水分和蛋白質(zhì)含量檢測(cè)[D]. 崔彬彬.河南工業(yè)大學(xué) 2015



本文編號(hào)：3163658