馬鈴薯為次于小麥、玉米和水稻的全球第4大農(nóng)作物。2015年中國開始進(jìn)行馬鈴薯主糧工作,相關(guān)產(chǎn)業(yè)開始了快速發(fā)展。“十二五”期間,與馬鈴薯加工有關(guān)的專項(xiàng)項(xiàng)目等開始實(shí)行,其加工的生產(chǎn)率、副產(chǎn)物的利用率也不斷提升;2016年我國頒布了馬鈴薯加工業(yè)“第十三個五年”計劃,計劃中指出,隨著一系列的新興技術(shù)的推廣及應(yīng)用,將為馬鈴薯育種、種植、加工等領(lǐng)域帶來新的技術(shù)升級,為其加工行業(yè)的繼續(xù)發(fā)展提供保障。因此馬鈴薯淀粉含量的多少將對生產(chǎn)出的產(chǎn)品質(zhì)量產(chǎn)生一定的影響。當(dāng)前馬鈴薯淀粉測定還較大依托過去的化學(xué)手段,這些方式工藝流程復(fù)雜、效率低下,而且破壞性大、成本高,不能符合現(xiàn)在馬鈴薯加工業(yè)的現(xiàn)實(shí)需要。高光譜成像技術(shù)作為逐步發(fā)展起來的新型檢測方式,因其不具破壞性、波段數(shù)量較多、有較高的分辨率等特點(diǎn),在馬鈴薯等農(nóng)產(chǎn)品的無損檢測方面獲得了矚目的成果。但由于此種方法采集得到的數(shù)據(jù)是三維立方體類型,無用的數(shù)據(jù)過多,且量巨大,使得在信息處理時費(fèi)時費(fèi)力,降低了模型構(gòu)建的速度,對預(yù)測的精度產(chǎn)生一定影響。所以提升馬鈴薯淀粉含量的測定速度和預(yù)測精度,探究高光譜信息分析的處理方式,可以為該技術(shù)的持續(xù)進(jìn)步奠定更好的基礎(chǔ),推動馬鈴薯加工...

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
英文摘要
1 緒論
    1.1 研究目的與意義
    1.2 高光譜成像技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測中的研究進(jìn)展
    1.3 馬鈴薯品質(zhì)無損檢測方法的研究進(jìn)展
        1.3.1 國外研究進(jìn)展
        1.3.2 國內(nèi)研究進(jìn)展
    1.4 研究目標(biāo)與內(nèi)容
    1.5 技術(shù)路線
    1.6 本章小結(jié)
2 樣品制備與數(shù)據(jù)采集
    2.1 樣品獲取與制備
    2.2 淀粉含量測定方法
    2.3 高光譜成像系統(tǒng)
    2.4 高光譜圖像數(shù)據(jù)采集
        2.4.1 高光譜圖像數(shù)據(jù)采集方法
        2.4.2 光譜數(shù)據(jù)提取
    2.5 本章小結(jié)
3 光譜數(shù)據(jù)處理技術(shù)與方法
    3.1 光譜分析基本步驟
        3.1.1 校正
        3.1.2 預(yù)測
    3.2 樣本集劃分方法
        3.2.1 隨機(jī)法
        3.2.2 Kennard-Stone法
        3.2.3 雙向算法
        3.2.4 含量梯度法
    3.3 光譜數(shù)據(jù)預(yù)處理方法
        3.3.1 平滑處理
        3.3.2 導(dǎo)數(shù)法
        3.3.3 基線校正
        3.3.4 多元散射校正
        3.3.5 標(biāo)準(zhǔn)正態(tài)變換
        3.3.6 去趨勢變換處理
        3.3.7 正交信號校正
    3.4 定量校正方法
        3.4.1 多元線性回歸
        3.4.2 主成分回歸
        3.4.3 偏最小二乘回歸
        3.4.4 支持向量機(jī)
        3.4.5 主成分?jǐn)?shù)的確定
    3.5 特征波長提取方法
        3.5.1 競爭性自適應(yīng)重加權(quán)算法
        3.5.2 連續(xù)投影算法
        3.5.3 遺傳算法
        3.5.4 無信息變量消除法
        3.5.5 隨機(jī)蛙跳算法
        3.5.6 間隔隨機(jī)蛙跳算法
    3.6 模型性能的評價
    3.7 本章小結(jié)
4 淀粉含量高光譜定量研究
    4.1 樣本集的劃分
    4.2 淀粉含量高光譜定量分析
        4.2.1 主成分回歸建模
        4.2.2 偏最小二乘回歸建模
        4.2.3 支持向量機(jī)回歸建模
        4.2.4 不同建模方法比較
    4.3 本章小結(jié)
5 高光譜定量分析的特征波長選擇方法
    5.1 基于遺傳算法的高光譜特征波長選擇
    5.2 基于無信息消除變量的高光譜特征波長選擇
    5.3 基于競爭性自適應(yīng)重加權(quán)算法的高光譜特征波長選擇
    5.4 基于連續(xù)投影算法的高光譜特征波長選取
    5.5 基于隨機(jī)蛙跳算法的高光譜特征波長選取
    5.6 基于間隔隨機(jī)蛙跳算法的高光譜特征波長選擇
    5.7 各方法的高光譜特征波長選取結(jié)果對比
    5.8 本章小結(jié)
6 結(jié)論與展望
    6.1 主要結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
附錄
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文



本文編號：3973614