一、BP神经网络在农产品生产与检测中的应用（论文文献综述）
张晓蕾[1]（2021）在《卷积神经网络光谱分析方法及其在农产品品质检测中的应用》文中认为农产品品质检测和分级以为市场供给优质的农产品作为首要目标,是推动农产品产后处理高质量发展,实现农业农村现代化的关键环节。光谱分析技术由于其无损的特性,在农产品品质检测领域具备重要的研究与应用价值。以化学计量学方法为主要手段的光谱分析模式虽然在现阶段被广泛应用,但是还存在程序繁琐和模型对未知样本的预测能力下降的问题,不能较好地满足农产品品质快速无损检测过程中对精准化和智能化的需求。以卷积神经网络为代表的深度学习方法减少了光谱分析中对专家经验和先验知识的依赖,可以从原始光谱数据中分层次提取有用信息,提高模型预测精度。本文构建了以定性、定量分析及其机理解释为主体的端对端的卷积神经网络光谱数据分析方法,并以多品种梨的可溶性固形物含量预测为例建立了一种其在水果品质无损检测中应用的方案。本文的主要研究内容和结果如下:（1）提出了一种端对端的卷积神经网络光谱定性分析模型,并将其应用于20个葡萄品种的鉴别。模型的平均分类准确率达到87.81%;配对检验结果表明该方法相较于传统化学计量学建模方法中的偏最小二乘回归–线性判别分析和主成分分析–逻辑回归模型有显着的精度提升（p<0.001）;蒙特卡洛交叉验证结果表明,该模型的变异系数为4%,稳定性优于传统化学计量学模型偏最小二乘回归–线性判别分析的变异系数5%。（2）提出了一种端对端的卷积神经网络光谱定量分析模型Deep Spectra,并在玉米蛋白质、药片活性物质、小麦蛋白质和土壤有机质含量等四个公开数据集中验证模型的有效性。结果表明:Deep Spectra模型相比其他三种结构的CNN模型,平均精度提高了15.4%;Deep Spectra模型在四个数据集的原始光谱中取得最低的RMSEP,分别是0.12%、0.35%、0.20%和8.88 g/kg;数据量的增加有利于提高卷积神经网络模型的稳定性和精度,在土壤数据集中选取10%–100%的数据进行训练时,模型的平均RMSEP从11.43 g/kg降低到8.88 g/kg,精度提升22%。（3）提出了一种用于解释深度卷积神经网络光谱分析模型特征提取机理的方法。采用类激活映射方法获取模型的特征波段,并与理论光谱特征峰进行对比;采用逐层特征图可视化方法表示模型逐层特征提取过程。结果表明,卷积神经网络模型提取的特征波段和理论光谱特征波段的位置一致。深层卷积特征提取的过程是:第一层进行光谱数据预处理,隐藏层提取并加强特征峰信息,最后一层学习主要特征波形。蒙特卡洛交叉验证结果表明,卷积神经网络模型在不同数据集划分下的精度稳定,准确率变化仅为0.59%,在拉曼数据集中三个与化学键相关的特征峰624、652和735 cm-1未发生变化,特征波段稳定。（4）针对光谱分析模型在不同品种的水果品质检测中预测精度低的问题,以多品种的梨为研究对象,将本研究提出的卷积神经网络模型应用于梨的可溶性固形物含量检测中,建立全局和局部卷积神经网络模型,并与支持向量回归和偏最小二乘回归模型进行比较。结果表明,局部卷积神经网络模型在皇冠梨、初夏绿梨、圆黄梨等三个品种的可溶性固形物含量预测中取得了最低的RMSEP,分别为0.33°Brix、0.36°Brix和0.37°Brix,全局卷积神经网络模型在水晶梨数据集中取得了最低的RMSEP为0.46°Brix。全局模型在降低模型选择需求,提升模型预测性能方面具有一定优势。
张辉辉[2]（2021）在《便携式伏安型电子舌检测系统的研制及其在黄酒品质检测中的应用》文中提出味觉品质是液态食品的主要特征之一,与食品内在物质的组分和含量密不可分。以电化学为基础的电子舌技术,凭借其交叉响应、快速高效、全面评价的特点,在液态食品味觉品质检测领域迅速发展。但是,当前的伏安型电子舌检测系统,一般系统功能不完善、智能程度低、实用性差,难以满足食品快速检测的需求,因此本文研制了一台便携式伏安型电子舌系统,并基于QT4.8.2开发了一套功能完善的上位机交互软件。系统硬件模块可实现数据采集、自动进样、恒温加热等功能,交互软件可实现底层通讯、自动存储数据、结果判别等功能。最后,对主要功能模块进行了测试与优化,并将其应用于黄酒类别、酒龄与甜度的检测之中,以验证系统的检测性能。本文的主要内容和结论如下:（1）该便携式伏安型电子舌检测系统包括:5个主要功能模块。其中,5个主功能模块分别为:自动进样功能模块、恒温加热功能模块、仿生味觉功能模块、下位机功能模块以及上位机功能模块。仿生味觉功能模块是伏安型电子舌检测系统的核心所在,由组合电极、转换与调理电路与16位AD7606数据采集模块构成,可有效实现对样品特征信息的全面获取。上位机是基于QT 4.8.2开发的人机交互界面,包含1个主功能界面与5个子菜单功能界面。上位机软件嵌入了数据处理与结果判别模型,增强了系统自动化分析能力。下位机采用STM32F4系列的单片机作为底层控制中枢。上位机与下位机之间通过USB数据线实时进行信息传输。（2）为了提升便携式伏安型电子舌检测系统的工作性能,对仿生味觉功能模块、恒温加热功能模块进行了性能测试与优化。仿生味觉功能模块经测试与优化后:采样信号幅值稳定、噪声小;组合电极在长期使用中性能稳定,在20天内,Ag、Au、Pt、Rh工作电极的特征值偏差均小于5%。在20℃～50℃范围内,模块的温场均匀度<1℃,各位点温度偏差、波动度<0.5℃,能为检测样品提供相对稳定的检测环境。（3）为验证便携式伏安型电子舌检测系统的检测性能,开展了对黄酒类别、酒龄与甜度的检测实验。系统采用PCA、离散小波算法有效降低了原始数据维数,并以KNN、BP、SVM算法建立判别模型,均获得较好的区分效果,说明该系统可有效用于黄酒品质的检测。此外,研究中发现样品响应信号还受到电极表面气泡以及激发脉冲信号的频率与幅值的影响,操作人员需要综合考虑上述因素,以获得最佳的检测效果。
吕旺[3]（2021）在《基于改进SVM的生鲜蔬菜销量趋势预测研究》文中提出近年来,电商平台订单量上涨最快、数量最多的商品已经不再是电子数码大牌产品,而是农产品,线上购买生鲜蔬菜的高频次、低单价消费行为,已经成为当前最具活力和主流的消费趋势。目前,国内外关于生鲜蔬菜销量趋势预测的深入研究较少。为此,本文以安徽省某电商平台销量数据为研究对象,提出基于改进SVM的生鲜蔬菜销量趋势预测方法,构建生鲜蔬菜销量趋势预测模型,研发生鲜蔬菜销量趋势预测系统。为生鲜蔬菜销量趋势预测模型的构建与应用提供参照,为实现电商订单化经营和科学生产提供指导。本文主要工作和成果如下:1)提出基于模糊信息粒化和改进SVM的销量趋势预测方法。生鲜蔬菜具有季节性、集中上市和保质期短的销售特征,销量易受外部因素的影响且销量序列呈现周期性、非线性和小样本的特点。根据生鲜蔬菜的销售特征和销量序列的特点,提出基于模糊信息粒化和改进SVM的生鲜蔬菜销量趋势预测方法。2)构建基于改进SVM的生鲜蔬菜销量趋势预测模型。将模糊信息粒化方法和优化的粒子群算法相结合改进支持向量机模型,对安徽省某电商平台2018年1月1日-2019年12月31日的销量数据进行趋势预测。实验结果表明,本文构建的模型拟合预测能力均优于差分自回归移动平均（ARIMA）、反向传播神经网络（BP）和长短期记忆（LSTM）等模型,选取的4种生鲜蔬菜销量区间预测平均绝对误差（MAE）分别为8.78、14.67、14.87、9.55,验证了生鲜蔬菜销量趋势预测模型的有效性。3)研发生鲜蔬菜销量趋势预测系统。通过对生鲜蔬菜销量数据的挖掘和提取,将模糊信息粒化方法、优化的粒子群算法改进SVM与Spring Boot、ECharts、Bootstrap等技术相结合,研发基于Java Web的交互式生鲜蔬菜销量趋势预测系统。将生鲜蔬菜销量序列在模糊信息粒化方法的不同窗口划分设置进行分析展示,并对实验构建模型的拟合预测结果进行对比验证。通过预测生鲜蔬菜未来近期的销量变化趋势,从而帮助企业了解市场供需关系和指导科学生产,减少不必要的物资和流通资源浪费,促进生鲜蔬菜产业的科学良性发展。
翟乃琦[4]（2021）在《基于深度学习的烟叶霉变数据分析及其系统设计》文中指出烟叶霉变是我国烟草工业中所面临的一个重要问题,每年都会因其造成严重的经济损失。仓储过程中的烟叶由于自身含水量、空气相对湿度、存储条件等原因会导致霉变现象的发生,霉变后的烟叶其内部营养物质被霉菌分解消耗,使用价值大打折扣。为了及时有效的发现霉变烟叶,以便让管理人员进行提前干预,从而降低因烟叶霉变造成的经济损失,本文基于物联网、深度学习等新一代信息技术,构建了一个基于一维卷积神经网络的烟叶霉变状态识别模型,设计了一套仓储烟叶霉变智能监测预警原型系统,实现了仓储烟叶环境参数的感知监测和烟叶霉变的提前预警,主要研究内容包括:1.设计了烟叶样本数据采集试验方案,利用自行设计的电子鼻设备采集烟叶样本霉变过程中的气体响应信号,对响应信号进行预处理,同时对不同状态下的烟叶样本的区分度进行分析,结果表明不同状态的烟叶样本具有一定的区分度。最后,对传感器阵列进行优化,剔除异常和冗余的气体传感器。2.对比分析了一维卷积神经网络模型的主要超参数,选择优化后的超参数构建了烟叶霉变状态识别模型。实验结果表明,本文所构建的模型与传统BP神经网络模型相比,预测准确率更高,对训练集的平均预测准确率为100%,对测试集的平均预测准确率为89.8%。最后,对模型的训练结果进行特征可视化分析,从而直观地展示出模型对数据的分类效果。3.设计并实现了仓储烟叶环境智能监测预警原型系统,基于国产创新GD32微控制器和传感器阵列设计了烟叶仓储环境参数采集终端,通过NB-Io T网络实现了数据的无线传输。同时,基于Node.js搭建了仓储烟叶环境智能信息管理系统,通过Flask框架加载已经训练完成的烟叶仓储霉变状态识别模型,最终实现了对仓储烟叶霉变的智能监测与提前预警。本文研究设计的仓储烟叶环境智能监测预警原型系统,能够有效地减少烟叶霉变的发生并提高烟叶的醇化品质。通过对仓储烟叶环境参数的全面监测,实现对仓储烟叶霉变的智能提前预警,提醒并指导工作人员作出相应地处理,从而减少经济损失。
陈家茜[5]（2021）在《基于机器视觉的甘蓝型油菜生长状态检测研究》文中认为在农业领域,农作物的生长状态对后期开花结果以及未来的收成都起着重要的影响。为了及时掌握其生长状态并进行人为控制,需要对其生长状态进行快速检测。植物对于害虫的抗性可以直接的反应出植物当前和以后的生长状态,若抗虫性强,则植物不易受害虫伤害,生长状态为良好。若易感虫性强,则植物容易感染虫害,对植物的生长发育有极大的不良影响。因此,本文主要结合机器视觉相关知识和技术针对甘蓝型油菜害虫的抗性进行分类诊断,确定甘蓝型油菜的抗虫性从而实现对油菜生长状态的检测。本文对采集到的甘蓝型油菜叶片图像进行预处理、分割和特征提取,设计了虫情分级表和油菜叶片害虫抗性分类表,并且搭建了甘蓝型油菜叶片害虫抗性分类模型,主要工作如下:（1）甘蓝型油菜叶片图像的预处理。为了提高图像分割效果的质量,需要对图像进行前期处理。本文采用彩色空间模型的方法分割出油菜叶片目标区域的图像,对比其他的颜色空间模型,选择最能够突出目标区域的颜色分量进行叠加,然后进行阈值分割,从而得到完整的植物叶片图像。（2）甘蓝型油菜叶片图像的特征提取与建立虫情分级标准。该特征提取主要针对叶片的形状特征,提取了叶片图像的6个特征参数,分别是甘蓝型油菜叶片上虫孔面积、叶片完整的面积、叶片的占有度、完整度、偏心率和圆形度。通过对以上提取到的特征值进行分析,本文选择虫孔面积和叶片面积两项特征值来计算叶片的虫害面积占叶片总面积的百分比,再根据计算出的结果和《油菜种质资源描述规范和数据标准》中制定的相关标准建立虫情分级表和害虫抗性分类表。（3）建立甘蓝型油菜叶片害虫抗性分类模型。通过前文的工作将本文的600个样本进行抗性分类,将分类好的数据作为样本进行训练。利用卷积神经网络来设计分类模型,将样本图像设置为网络的输入,将需要检测的甘蓝型油菜叶片害虫抗性的类别设置为输出,建立卷积神经网络模型。通过搭建VGG16神经网络模型将预处理后的图像输入到模型当中,选择交叉熵函数作为损失函数,使用小批量梯度下降法对模型进行优化,通过不断的重复训练使模型达到最优。实际仿真测试结果可知,对于甘蓝型油菜叶片害虫抗性分类诊断的最高准确率达到96.39%。本文的分类模型能够准确的对油菜害虫抗性等级进行分类,为植物生长状态检测相关的研究提供一种新的方法。
窦斌[6]（2021）在《云南省地理标志农产品质量安全风险评估预警研究》文中指出随着人们生活品质的改善和提高,人们对于农产品质量安全的要求也越来越高,品质更高的地理标志农产品开始走进千家万户。地理标志农产品是指源于独特原产地并以地名冠名的农产品,因受该地域气候环境因素、土壤环境因素、水质环境因素、大气环境因素等自然环境因素影响或因其承载着一定人文历史因素而具有独特的品质、良好的声誉或其他特殊特性而得名。地理标志农产品相比于一般的农产品具有更高的品质,具有营养价值更高、口感更好、质量更加安全有保障等优势。近年来,某些地理标志农产品出现了一系列的质量安全问题,这些质量安全问题一方面损害了其品牌和声誉,降低了其农业经济效益,阻碍了农业的发展;另一方面严重威胁到了广大消费者的健康甚至生命安全,而一旦出现严重的质量安全问题,其所造成的后果是不堪设想的。云南省是地理标志农产品大省,也是农业大省,为保障该地区地理标志农产品质量安全良性发展,推动质量建设稳步向前,本文从供应链的角度出发提出地理标志农产品质量风险评估预警研究。首先,通过查阅文献,本文从地理标志农产品供应链视角下的质量安全风险因素出发,以种植业类地理标志农产品为研究对象,以生产环节风险因素（病虫害因素、自然灾害因素、土地污染因素、农药残留因素、植株培育因素）、加工环节风险因素（工艺设备因素、添加剂使用因素、操作规范因素、加工环境因素、自我检测因素）、储运环节风险因素（包装因素、运输因素、储存因素）、销售环节风险因素（销售环境因素、市场监督因素、法规及标准因素、可追溯体系因素）作为地理标志农产品质量安全影响因素构建出质量安全风险指标体系。然后,通过对相关理论知识的学习和方法对比,本文构建出蜂群算法优化改进的BP神经网络风险预警模型并以云南省普洱茶为实证研究,使用Matlab 2016b对样本数据进行分析处理,得出结果并进行验证,结果表明使用蜂群算法优化改进的BP神经网络风险预警模型预警结果良好。最后,本文根据风险指标分析结果及风险评估预警结果,提出了加强地理标志农产品日常检测和专项整治、完善质量安全可追溯体系等对策和建议。
魏枭[7]（2021）在《基于太赫兹光谱的大豆转基因、产地鉴别和蛋白质等定量检测方法研究》文中提出大豆是我国最主要的油料作物和高蛋白饲料原料,也是我国需要大量进口的农产品。鉴于我国已在采用转基因大豆作为食品、饲料等加工原料,转基因大豆的安全管理将需要不断加强,大豆溯源性监管也是将来发展的必然趋势。同时,传统的蛋白质、酸价、过氧化值和维生素E定量检测方法多存在成本高、效率低和操作复杂等问题。因此,需要研究一种针对大豆转基因、产地鉴别和蛋白质等定量检测的方法。相比于传统的大豆转基因、产地鉴别和蛋白质等定量检测方法,近年来出现的太赫兹（Terahertz,THz）光谱技术更有其独特的优势。分子的振动和转动以及分子间的相互作用如氢键等在THz频段都有很多特征吸收峰,这些吸收特性是这些物质独一无二的指纹吸收谱,所以THz光谱技术对探测物质结构存在的微小差异和变化非常灵敏,可以用于这些物质的鉴别和定量检测。因此,有必要研究基于THz光谱的大豆转基因、产地的快速且准确的鉴别方法。同时,如何实现THz光谱定量检测大豆中蛋白质、酸价、过氧化值和维生素E仍然是一个非常值得研究的问题。目前,对于不同化学成分THz吸收光谱的研究还处在初级阶段,对于不同化学成分在THz频段的吸收峰位置了解也非常有限。从微观的角度,如何通过密度泛函理论（Density functional theory,DFT）和THz吸收光谱模拟出大豆中维生素E的吸收峰位置,并且根据吸收峰位置进行大豆中维生素E定量检测的特征谱区选择还处在一个探索阶段。为了监控转基因大豆的进口,确定大豆产地,完善大豆中蛋白质等定量检测方法,建立基于THz光谱的大豆转基因、产地鉴别和蛋白质等定量检测方法成为现今最迫切的任务。本论文主要基于THz光谱对大豆的转基因、产地鉴别和蛋白质等定量检测方法进行了研究,论文主要分为三大部分,分别是:基于THz频域光谱的大豆转基因、产地鉴别方法研究,基于THz吸收光谱的大豆中蛋白质、酸价和过氧化值定量检测方法研究,基于DFT和THz吸收光谱的大豆中维生素E定量检测特征谱区选择方法研究。本文的主要研究内容和结论如下:（1）基于THz频域光谱的转基因和非转基因大豆鉴别模型及其优化算法研究。利用THz频域光谱对转基因和非转基因大豆样品进行鉴别,分析样品的THz频域光谱特性和差异,建立基于THz频域光谱的转基因和非转基因大豆鉴别模型（简称转基因鉴别模型）。之后,再对基于THz频域光谱和光谱谱区优化算法的转基因与非转基因大豆鉴别方法进行研究。实验结果表明,基于THz频域光谱鉴别转基因和非转基因大豆是可行性的。与其它两种转基因鉴别模型相比,灰狼优化-支持向量机转基因鉴别模型结合一阶导数预处理可以获得较好的验证结果。其总鉴别正确率为96.49%（其中转基因正确率为100%,非转基因正确率为93.55%）,鉴别所需时间为33.87秒。光谱谱区优化算法对通过THz频域光谱鉴别转基因和非转基因大豆的总准确率和速度均有很大程度的提升。经过优化谱区范围和均值中心化预处理后,网格搜索-支持向量机转基因鉴别模型的总鉴别正确率为98.25%（其中转基因正确率为96.15%,非转基因正确率为100%）。这说明此方法是一种快速准确的鉴别转基因和非转基因大豆的手段。（2）基于THz频域光谱的大豆产地鉴别方法研究。研究不同产地实验样品的THz频域光谱差异,对样品THz频域光谱进行分析,选取最优的建模谱区范围,充分利用光谱数据内含有的相关信息有效地进行产地鉴别,提出一种基于THz频域光谱的大豆产地鉴别方法。实验结果表明,经过区间偏最小二乘法（interval partial least squares,i PLS）优化选取谱区范围（选谱）后的THz频域光谱结合化学计量学鉴别3种典型产地（阿根廷、美国和中国）大豆是可行的。经过i PLS选谱和标准化预处理后,人工蜂群算法-支持向量机大豆产地鉴别模型总鉴别正确率达到94.74%。这说明经过i PLS选谱和合适的光谱预处理后,THz频域光谱结合化学计量学可以用于鉴别大豆产地。（3）基于THz吸收光谱的大豆中蛋白质定量检测模型及其优化算法研究。分析实验样品的THz吸收光谱,研究大豆中蛋白质含量与THz吸收光谱之间的关系,建立基于THz吸收光谱的大豆中蛋白质定量检测模型,与传统的蛋白质检测方法进行对比。之后,再利用不同的数据降维算法结合THz吸收光谱,降低蛋白质定量检测模型的检测时间,同时保证定量检测模型验证结果的准确性保持不变或有一定的提升。实验结果表明,经过合适的光谱预处理和蛋白质定量检测建模算法后,可以使用THz吸收光谱定量检测大豆中蛋白质。通过标准正态变量结合二阶导数预处理后,基于THz吸收光谱的人工蜂群算法-支持向量回归大豆中蛋白质定量检测模型的预测集相关系数（Related coefficient of prediction set,Rp）,预测集的均方根误差（Root mean square error of prediction set,RMSEP）,相对标准偏差（Relative standard deviation,RSD）为0.9659,1.3085%,3.5334%。经过合适的数据降维算法后,使用THz吸收光谱快速准确的定量检测大豆中蛋白质是可行的。数据降维算法相较于光谱预处理在结合THz吸收光谱后,定量检测大豆中蛋白质更快速更准确。反向传播神经网络（Back propagation neural network,BPNN）定量检测模型结合线性判别分析（Linear discriminant analysis,LDA）降维后的Rp,RMSEP,RSD和运算所需时间分别是0.9677,1.2467%,3.3664%,53.51秒。这表明此方法对THz吸收光谱快速准确的定量检测农产品和食品中蛋白质具有重要意义。（4）基于THz吸收光谱的大豆中酸价和过氧化值定量检测方法初步研究。建立了基于THz吸收光谱和数据降维算法的大豆中酸价和过氧化值定量检测模型。分析各酸价和过氧化值定量检测模型的预测结果,解释验证结果出现问题的可能原因,分别找出酸价和过氧化值最佳的定量检测模型和数据降维算法。实验结果表明,通过LDA降维后,基于THz吸收光谱的BPNN大豆中酸价和过氧化值定量检测模型仍能取得最佳的验证结果。大豆中酸价定量检测模型最佳的校正集的相关系数（Related coefficient of correction set,Rc）,Rp和RMSEP分别为0.8029,0.7421和0.3605 mg/g,大豆中过氧化值定量检测模型最佳的Rc,Rp和RMSEP分别为0.8945,0.7633和0.5297 mmol/Kg。虽然基于THz吸收光谱的大豆中酸价和过氧化值定量检测模型可以快速检测大豆的酸价和过氧化值,但该定量检测模型的准确性还需要进一步提升。此方法对THz吸收光谱定量检测农产品与食品中酸价和过氧化值有一定参考价值。（5）基于DFT和THz吸收光谱的大豆中维生素E定量检测特征谱区选择方法研究。分析基于DFT和THz吸收光谱模拟某种化学成分吸收峰位置的可行性,同时确定模拟水平参数和吸收峰位置的相对误差。其次,通过DFT和THz吸收光谱模拟大豆中维生素E（α、γ、δ-生育酚）的吸收峰位置。之后,探索基于吸收峰位置的大豆中维生素E定量检测特征谱区选择方法。最终,建立定量检测模型并进行结果验证和分析。实验结果表明,通过DFT和THz吸收光谱模拟某种化学成分吸收峰位置是可行的,同时也确定了模拟水平参数为B3LYP/6-31+g（d,p）和吸收峰位置实际相对误差为2.3155%。通过DFT和THz吸收光谱模拟出大豆中维生素E的吸收峰位置,发现在0.1-1.5 THz频段有四个较明显的吸收峰,位置分别为0.8862、0.9367、1.0296和1.1429 THz。通过本文提出的基于吸收峰位置的大豆中维生素E定量检测特征谱区选择方法对大豆THz吸收光谱进行选取。最终,经二阶导数预处理后,ABC-SVR大豆中维生素E定量检测模型的Rp和RMSEP为0.8241和1.3562 mg/g。该结果准确性虽有一定提升,但若想应用于实际,其准确性还需提升。虽然如此,此方法还是对定量检测混合物中某种化学成分（具有具体分子式）的相关研究有一定的帮助。本论文围绕转基因和非转基因大豆鉴别问题,提出了基于THz频域光谱结合谱区优化算法快速准确鉴别转基因和非转基因大豆的方法;为了解决大豆产地鉴别问题,提出了一种基于THz频域光谱的大豆产地鉴别的新方法;对于大豆中蛋白质定量检测的问题,提出了一种基于THz吸收光谱的大豆中蛋白质定量检测方法,通过结合数据降维算法将定量检测时间进一步缩短,同时保证定量检测模型验证结果的准确性保持不变或有一定的提升;针对大豆中酸价和过氧化值定量检测问题,以实验样品THz吸收光谱和数据降维算法为切入点,对基于THz吸收光谱的大豆中酸价和过氧化值定量检测方法进行了初步研究;对于大豆中维生素E定量检测的问题,先以酒石酸为例分析基于DFT和THz吸收光谱模拟某种化学成分吸收峰位置的可行性,同时确定模拟水平参数和吸收峰位置的相对误差。然后,通过DFT和THz吸收光谱模拟出大豆中维生素E的吸收峰位置。最终,提出一种基于吸收峰位置的大豆中维生素E定量检测特征谱区选择方法并建立定量检测模型进行结果验证和分析。
付丹丹[8]（2020）在《贮期鸡蛋蛋白质含量品质的光谱无损检测方法及装置研发》文中研究指明有关贮藏期间鸡蛋品质的评价与预测及其与贮藏时间和条件的关系一直是食品加工和保鲜领域的研究热点问题之一,目前无损检测方法很少从鸡蛋特定蛋白质含量变化角度来考虑其食用品质和安全性。若能从鸡蛋组成的生化变化角度解释其品质变化规律,寻找引起鸡蛋品质变化的最本质特征,并且建立该特征因子的外在表征方法,对深入揭示蛋品品质变化机制,实现蛋品品质的有效无损监控具有重要的理论意义。本课题从鸡蛋组成生化变化的角度,以蛋清S-卵白蛋白含量、卵黏蛋白含量、哈夫值、蛋黄指数等多个品质指标为研究对象,利用生化方法、高光谱成像技术及可见-近红外光谱技术对鸡蛋的多个品质进行研究,建立基于光谱的贮期鸡蛋微观品质无损检测模型及相关检测装置,主要研究内容和结论如下:1)贮期鸡蛋品质和蛋清主要蛋白质含量的变化规律及相关关系为了从鸡蛋组成生化变化的角度确定引起鸡蛋品质变化的最本质特征因子,通过传统生化检测方法,统计分析了贮藏期间鸡蛋品质指标及S-卵白蛋白含量、卵黏蛋白含量的变化规律。考察了鸡蛋哈夫值、蛋黄指数、p H值等指标值与S-卵白蛋白含量、卵黏蛋白含量的相关性,发现各品质参数与S-卵白蛋白含量的相关性比与卵黏蛋白的相关性更高;分析了各鸡蛋品质参数与S-卵白蛋白含量、卵黏蛋白含量的灰色关联度,各品质因素与S-卵白蛋白含量、卵黏蛋白的综合灰色关联度均大于0.5;分别以S-卵白蛋白含量和卵黏蛋白含量为自变量建立了等价蛋龄预测模型,模型的决定系数均大于0.9,p≤0.01;综合考虑相关性分析结果,选择S-卵白蛋白含量为研究对象,进一步研究了两种不同品种鸡蛋（市场上常见的海蓝褐壳鸡蛋和罗曼粉壳鸡蛋）S-卵白蛋白含量与鸡蛋哈夫值、蛋黄指数的相关性,发现不同品种鸡蛋的哈夫值、蛋黄指数均与S-卵白蛋白含量显着负相关,粉壳蛋和褐壳蛋S-卵白蛋白含量相关系数为0.950,二者显着相关（p≤0.01）。即在同一贮藏条件下,不同品种鸡蛋S-卵白蛋白含量的变化受鸡蛋品种的影响较小。故确定选择S-卵白蛋白含量为引起鸡蛋品质变化的最本质特征因子。2)基于高光谱成像技术的鸡蛋新鲜度、酸碱度及黏度检测为了建立基于高光谱技术的与鸡蛋新鲜度有关的内部理化指标的无损检测方法,利用高光谱成像检测系统采集了贮期鸡蛋的透射光谱信息,并利用p H计、粘度计测定鸡蛋酸碱度与粘度,发现鸡蛋新鲜度、酸碱度、黏度之间存在较强相关性。对光谱进行预处理发现经过一阶微分处理后的全波段PLS模型对各指标的预测效果最好;分别用竞争性自适应重加权算法（CARS）与连续投影算法（SPA）选取特征波长。对比分析基于CARS及SPA筛选的特征波段建立的偏最小二乘回归模型和多元线性回归模型,建立的多元线性回归模型对鸡蛋哈夫值、p H值及黏度值具有更好的预测性能。在CARS提取的特征波长组合基础上采用SPA再次进行特征波长提取,基于CARS-SPA二次波段提取鸡蛋HU、p H、黏度的最佳波段组合数分别为13个、10个、6个;基于二次筛选出的特征波长建立的鸡蛋HU、p H、黏度MLR模型预测集决定系数Rp2分别为0.884、0.903、0.903,相对分析误差RPD均大于2,能够对这三个指标值进行极好预测。3)基于高光谱成像技术的S-卵白蛋白含量无损检测及其可视化为了从S-卵白蛋白含量的生化本质角度建立无损评价贮期鸡蛋品质变化的方法,利用高光谱成像技术采集了贮期鸡蛋在300 nm-1100 nm的透射高光谱图像,提取7个图像参数,并利用相关系数法筛选出3个图像特征变量(红色分量均值Ravg,分形维度D和图像短轴n),建立PLS模型,比较发现剔除其他四个图像参数后建模效果不变;将整蛋作为感兴趣区域,提取每个鸡蛋的平均光谱,选取450 nm-1000 nm波段,经一阶微分结合平滑预处理后,分别采用竞争性自适应重加权算法（CARS）、连续投影算法（SPA）及二维相关同步光谱分析法提取了S-卵白蛋白含量紧密相关的特征波长,并分别利用筛选出来的特征波长建立了偏最小二乘回归模型（PLS）和遗传算法优化的BP神经网络模型（GA-BP）,结果表明,基于SPA筛选的20个特征波长组合建立的GA-BP模型对S-卵白蛋白含量预测效果最好,训练集决定系数Rc2为0.857,RMSEC为0.084,预测集Rp2为0.806,RMSEP为0.120,RPD为2.012。将提取的3个图像特征参数分别与三种方法提取的特征波长组合进行融合,并利用主成分分析（PCA）降维,利用融合后的特征建立预测模型,发现基于3个图像特征和CARS筛选的14个光谱特征融合降维后的5个特征信息建立的GA-BP模型预测效果更好,训练集Rc2为0.856,均方根误差RMSEC为0.084,预测集Rp2为0.845,均方根误差RMSEP为0.143,RPD为1.918。利用优选出的模型对预测集鸡蛋图像上每个像素点的S-卵白蛋白含量进行预测,结合伪彩色图像处理技术,将预测结果用不同颜色直观显示,实现了鸡蛋S-卵白蛋白含量可视化。4)基于可见-近红外光谱技术的鸡蛋新鲜度指标及S-卵白蛋白含量无损检测利用自行搭建的可见近红外光谱系统分别采集了贮期海蓝褐壳鸡蛋和罗曼粉壳鸡蛋的透射光谱信息,并测定了鸡蛋哈夫值、蛋黄指数以及S-卵白蛋白含量。选取500 nm-950 nm范围内的451个波长进行分析,经光谱预处理后,分别采用无信息变量消除算法（UVE）、遗传算法（GA）和逐步回归算法（STP）筛选特征波长,分别建立偏最小二乘回归（PLS）、高斯过程回归（GPR）、多元线性回归（MLR）和支持向量机回归（SVM）预测模型,结果表明,对于海蓝褐壳鸡蛋而言,其哈夫值的最佳预测模型是基于UVE筛选出来的10个特征波长建立的GPR模型,训练集Rc2为0.981,RMSEC为0.031,预测集Rp2为0.708,RMSEP为10.825,RPD为1.603;其蛋黄指数的最佳预测模型是基于GA筛选出来的18个特征波长建立的PLS回归模型,训练集Rc2均为0.792,RMSEC为0.021,预测集Rp2为0.770,RMSEP为0.030,RPD为1.765;其S-卵白蛋白含量的最佳预测模型是基于遗传算法GA筛选出来的19个波长建立的PLS回归模型,训练集Rc2为0.919,RMSEC为0.058,预测集Rp2为0.917,RMSEP为0.079,RPD为3.236。对于罗曼粉壳鸡蛋而言,其哈夫值的最优预测模型是基于逐步回归筛选出来的15个特征波长建立的多元线性回归模型,训练集Rc2为0.926,RMSEC为5.380,预测集Rp2为0.765,RMSEP为10.416,RPD为2.322;其蛋黄指数建立的模型都不能对罗曼粉壳鸡蛋的蛋黄指数进行预测（预测集RPD均小于1.5）;其S-卵白蛋白含量建立的最优预测模型是基于逐步回归算法筛选出来的9个特征波长建立的高斯过程回归模型,训练集Rc2为0.954,RMSEC为0.047,预测集Rp2为0.846,RMSEP为0.109,RPD为2.223。建立的单一品种鸡蛋哈夫值、蛋黄指数及S-卵白蛋白含量预测模型为后续开发多品种鸡蛋新鲜度指标及S-卵白蛋白含量定量快速检测通用模型奠定了基础。5)不同品种鸡蛋新鲜度指标及S-卵白蛋白含量预测模型优化利用建立的单一品种鸡蛋哈夫值、蛋黄指数及S-卵白蛋白含量预测模型对另一个品种相应的鸡蛋品质指标进行预测,发现利用单一品种建立的模型对另一品种相同指标的预测性能较差;比较分析两个品种鸡蛋的平均光谱及其光谱矩阵的主成分得分空间分布,发现两个品种鸡蛋的平均光谱在近红外区域差异不明显,在可见光区域有明显差异;两个品种鸡蛋的光谱矩阵主成分得分空间分布图显示罗曼粉壳鸡蛋样本的主成分得分空间分布不能完全覆盖海蓝褐壳鸡蛋样本的主成分得分空间,即单一品种鸡蛋建立的预测模型适用性差。分别利用全局更新、直接校正和斜率/截距校正三种算法对海蓝褐壳鸡蛋和罗曼粉壳鸡蛋哈夫值、蛋黄指数、S-卵白蛋白含量可见-近红外光谱检测模型进行优化,比较不同方法模型优化结果,发现3种模型优化方法均能对优化前最佳模型的预测性能进行不同程度地改善。其中经过全局更新优化后的通用模型对预测性能的改善效果最好。利用全局更新方法建立的两个品种鸡蛋哈夫值通用预测模型对海蓝褐壳鸡蛋的预测性能为Rp2为0.770,RMSEP为9.063,RPD为2.017,对罗曼粉壳鸡蛋的预测性能为Rp2为0.834,RMSEP为8.753,RPD为2.231;蛋黄指数通用预测模型对海蓝褐壳鸡蛋的预测性能为Rp2为0.780,RMSEP为0.029,RPD为1.837,对罗曼粉壳鸡蛋的预测性能为Rp2为0.684,RMSEP为0.038,RPD为1.555;S-卵白蛋白含量通用预测模型对海蓝褐壳鸡蛋的预测性能为Rp2为0.936,RMSEP为0.069,RPD为3.649,对罗曼粉壳鸡蛋的预测性能为Rp2为0.839,RMSEP为0.112,RPD为2.035。优化后的模型更稳定、可靠、准确,且能够同时适用于两个品种鸡蛋的新鲜度和S-卵白蛋白含量预测,为后续开发蛋新鲜度指标及S-卵白蛋白含量无损检测装置奠定了基础。6)蛋新鲜度指标及S-卵白蛋白含量无损检测装置研究利用USB2000+光谱仪,对蛋新鲜度指标及S-卵白蛋白含量快速检测装置进行总体设计,选取合适的关键部件,包括可调光源、散热装置、光谱采集单元等等,并将其进行了组装与调试。根据建立的同时适用于两个品种鸡蛋新鲜度指标及S-卵白蛋白含量无损检测模型,利用Qt软件开发平台开发了蛋新鲜度指标及S-卵白蛋白含量快速检测软件。利用搭建的硬件装置与开发的检测软件,实现了蛋新鲜度指标及S-卵白蛋白含量无损检测。
李倩倩[9]（2020）在《基于计算机视觉的猕猴桃无损检测与自动分级研究》文中提出基于计算机视觉对猕猴桃进行在线检测分级,对提高我国猕猴桃市场的竞争力有十分重要的意义,不仅提高了分拣效率和水果质量也降低了分级成本,同时自动检测和分级技术也降低对果实表面的损害,从而提升果实的销量和商品价值。目前,在猕猴桃分级的过程中存在效率低、误判率高、速度慢等缺点,很难满足实时性分级的要求。基于此,本论文提出了基于计算机视觉的猕猴桃检测算法的研究。猕猴桃分级是水果产后处理的重要环节,针对中国猕猴桃分选率和分级率低而影响商品价值现状,手工猕猴桃分级存在耗时、费力、成本高、效果差等缺点,而计算机视觉技术分级具有速度快、信息量大、精确度高等优势。通过描述计算机视觉技术对猕猴桃的形状、大小、表面缺陷、颜色等特征进行检测,进而进行分级处理,提高了工作效率的同时也降低了成本。为提高图像采集质量,减少图像处理时间,对图像采集中猕猴桃背景颜色的选择进行了研究,研究表明黑色背景有助于目标与背景的分离为提高图像处理速度,在图像底层信息处理中使用图像灰度化、图像平滑、图像分割法等预处理操作。在猕猴桃形状大小分级方面,在分析传统水果特征提取方法的基础上,提出了对猕猴桃外观大小、形状特征、面积和体积等特征提取,其中采用了傅里叶描述子方法。在对猕猴桃进行颜色分级时,提出用HSI模型描述其颜色特征,并根据猕猴桃颜色特点在此基础上建立了基于粒子群优化的BP神经网络,试验结果表明分级精度高,能够满足分级要求,不仅分级速度快,而且正确率高达95.6%。猕猴桃表面缺陷采用了形态学处理方式,使用基于遗传算法的BP神经网络算法对表面缺陷分级,实验准确率高达91.3%。因此本文设计的猕猴桃分级检测系统,通过试验验证了该系统满足实时性分级的要求,同时也验证了本论文提出的理论研究与设计方案的可行性与正确性。
于涌波[10]（2020）在《基于机器视觉的马铃薯品质在线检测及分级研究》文中指出近年来,机器视觉技术迅速发展,已经逐渐运用到马铃薯的品质检测分级中,基于机器视觉的马铃薯品质分级既可以有效避免机械检测带来的二次损伤,也能排除人为主观因素对分级的干扰,保证长时间稳定地工作,提高检测效率和分级准确率。本文基于机器视觉研究马铃薯的品质检测及分级,主要完成了以下内容:进行相机镜头选型,采用张正友标定法对相机进行标定,完成对图像的矫正。对原始马铃薯图像进行灰度化、滤波、阈值分割等预处理,通过比较,选择最优的预处理方法。在马铃薯的外部缺陷检测分级中,通过分析马铃薯绿皮、干腐、孔洞、出芽、机械损伤等外部缺陷的特征,选择基于RGB空间的欧氏距离的方法进行绿皮检测,用SUSAN算子对除绿皮外其它的缺陷进行检测。将两种方法结合起来,确定外部缺陷的检测流程,将有缺陷的马铃薯剔除。在马铃薯的形状检测分级中,选择不变矩作为形状检测的特征参数。在已有的7个不变矩的基础上,通过三角函数生成法另构造增加3个不变矩,使检测结果更加精确,将马铃薯边缘检测图像的10个不变矩输入到BP神经网络进行训练,通过训练好的神经网络模型将马铃薯分为非畸形和畸形两类。选择kinect v2相机对马铃薯的大小进行检测分级。通过光飞行时间原理可以获取马铃薯深度图像及其背景图像,从而得到表面厚度图像。采用逐像素求积分的方法求取马铃薯的体积,进而得到马铃薯的质量。根据质量将马铃薯分为大、中、小三级,搭建了马铃薯品质检测分级的图像处理系统。
二、BP神经网络在农产品生产与检测中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、BP神经网络在农产品生产与检测中的应用（论文提纲范文）
（1）卷积神经网络光谱分析方法及其在农产品品质检测中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 农产品品质检测光谱分析技术现状及问题 |
| 1.2.1 光谱分析在农产品品质检测中的应用 |
| 1.2.2 光谱分析存在的问题 |
| 1.2.2.1 预处理 |
| 1.2.2.2 特征选择 |
| 1.2.2.3 建模方法 |
| 1.2.2.4 全局模型、局部模型和模型传递 |
| 1.3 深度学习光谱分析 |
| 1.3.1 深度学习简介 |
| 1.3.2 卷积神经网络模型特点 |
| 1.3.3 卷积神经网络建模及训练过程 |
| 1.4 深度学习光谱分析在农产品品质检测中的应用 |
| 1.4.1 定性分析 |
| 1.4.1.1 种类判别 |
| 1.4.1.2 产地鉴别 |
| 1.4.1.3 掺假鉴别 |
| 1.4.1.4 瘀伤检测 |
| 1.4.2 定量分析 |
| 1.4.2.1 水果和果汁 |
| 1.4.2.2 谷物和饲料 |
| 1.4.2.3 作物 |
| 1.5 深度学习光谱分析中存在问题和可借鉴之处 |
| 1.6 研究目的、内容和技术路线 |
| 1.7 本章小结 |
| 第二章 基于卷积神经网络的光谱定性分析方法研究 |
| 2.1 引言 |
| 2.2 实验与方法 |
| 2.2.1 卷积神经网络光谱定性分析模型 |
| 2.2.2 CNN模型与传统化学计量学模型精度比较 |
| 2.2.3 光谱分析数据集 |
| 2.2.4 模型评价指标 |
| 2.3 结果与讨论 |
| 2.3.1 CNN模型与传统化学计量学模型精度 |
| 2.3.2 模型稳定性分析 |
| 2.4 本章小结 |
| 第三章 基于卷积神经网络的光谱定量分析方法研究 |
| 3.1 引言 |
| 3.2 实验与方法 |
| 3.2.1 DeepSpectra模型 |
| 3.2.2 DeepSpectra模型与三种卷积神经网络模型比较 |
| 3.2.3 DeepSpectra模型与传统化学计量学建模方法比较 |
| 3.2.4 光谱分析数据集 |
| 3.2.5 模型评价指标 |
| 3.3 结果与讨论 |
| 3.3.1 DeepSpectra模型与三种卷积神经网络模型精度比较 |
| 3.3.2 光谱预处理对DeepSpectra模型精度的影响 |
| 3.3.3 DeepSpectra模型与传统化学计量学模型精度 |
| 3.3.4 DeepSpectra模型稳定性分析 |
| 3.4 本章小结 |
| 第四章 卷积神经网络光谱分析模型的解释机理研究 |
| 4.1 引言 |
| 4.2 实验与方法 |
| 4.2.1 卷积神经网络模型 |
| 4.2.2 光谱特征波段 |
| 4.2.3 光谱特征提取过程 |
| 4.2.4 CNN模型与PLS-LDA模型的精度及特征波段比较 |
| 4.2.5 光谱分析数据集 |
| 4.3 结果与讨论 |
| 4.3.1 CNN模型与PLS-LDA模型准确率 |
| 4.3.2 CNN模型与PLS-LDA模型特征波段 |
| 4.3.2.1 大肠杆菌表面增强拉曼光谱 |
| 4.3.2.2 肉中红外光谱 |
| 4.3.3 CNN模型特征提取过程分析 |
| 4.3.4 CNN模型与PLS-LDA模型稳定性分析 |
| 4.4 本章小结 |
| 第五章 梨的可溶性固形物含量预测应用研究 |
| 5.1 引言 |
| 5.2 梨的近红外光谱数据集 |
| 5.3 实验与方法 |
| 5.3.1 卷积神经网络模型 |
| 5.3.2 全局模型与局部模型 |
| 5.3.3 光谱数据分析 |
| 5.3.4 模型评价指标 |
| 5.4 结果与讨论 |
| 5.4.1 原始光谱数据分析 |
| 5.4.2 模型精度对比 |
| 5.4.2.1 五种梨的全局模型 |
| 5.4.2.2 单品种梨的局部模型 |
| 5.4.2.3 全局模型与局部模型精度比较 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要研究结论 |
| 6.2 主要创新点 |
| 6.3 进一步展望 |
| 参考文献 |
| 作者简历 |
（2）便携式伏安型电子舌检测系统的研制及其在黄酒品质检测中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究动态 |
| 1.2.1 感官评价技术 |
| 1.2.2 仪器检测方法 |
| 1.2.3 电子舌检测技术 |
| 1.3 主要章节安排 |
| 第2章 便携式电子舌检测系统设计 |
| 2.1 便携式电子舌检测系统功能模型设计 |
| 2.1.1 便携式电子舌检测系统总功能模型设计 |
| 2.1.2 便携式电子舌检测系统子功能模型设计 |
| 2.2 便携式电子舌检测系统整体设计 |
| 2.3 便携式电子舌检测系统硬件模块设计 |
| 2.3.1 下位机功能模块 |
| 2.3.2 仿生味觉功能模块 |
| 2.3.3 自动进样功能模块 |
| 2.3.4 恒温加热功能模块 |
| 2.4 本章小结 |
| 第3章 便携式电子舌检测系统软件程序设计 |
| 3.1 便携式电子舌检测系统上位机程序设计 |
| 3.1.1 上位机功能流程 |
| 3.1.2 上位机功能界面 |
| 3.2 便携式电子舌检测系统下位机程序设计 |
| 3.3 本章小结 |
| 第4章 便携式电子舌检测系统主要功能模块测试 |
| 4.1 电子舌检测系统便携性评估 |
| 4.2 仿生味觉功能模块测试 |
| 4.2.1 转换与调理电路测试与优化 |
| 4.2.2 时间对组合电极响应信号的影响 |
| 4.3 恒温加热功能模块测试与优化 |
| 4.3.1 恒温加热功能模块测试 |
| 4.3.2 温度对组合电极响应信号的影响 |
| 4.4 本章小结 |
| 第5章 便携式电子舌检测系统在黄酒品质检测中的应用 |
| 5.1 便携式电子舌检测系统在黄酒类别检测中的应用 |
| 5.1.1 基于便携式电子舌检测系统的不同类别黄酒的区分 |
| 5.1.2 溶液气泡对组合电极响应信号的影响 |
| 5.2 便携式电子舌检测系统在黄酒酒龄检测中的应用 |
| 5.2.1 基于便携式电子舌检测系统的不同酒龄黄酒的区分 |
| 5.2.2 激发脉冲信号对电极响应信号的影响 |
| 5.3 便携式电子舌检测系统在不同甜度黄酒检测中的应用 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间主要科研成果 |
| 致谢 |
（3）基于改进SVM的生鲜蔬菜销量趋势预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容与论文结构 |
| 1.2.1 研究内容 |
| 1.2.2 论文结构 |
| 2 国内外研究现状及进展 |
| 2.1 销量预测相关方法研究 |
| 2.1.1 支持向量回归模型 |
| 2.1.2 差分自回归移动平均模型 |
| 2.1.3 反向传播神经网络模型 |
| 2.1.4 长短期记忆模型 |
| 2.2 国内外研究进展 |
| 2.3 存在的问题分析 |
| 2.4 本章小结 |
| 3 生鲜蔬菜销量影响因素分析与数据处理 |
| 3.1 生鲜蔬菜销量影响因素与预测难点 |
| 3.1.1 影响因素 |
| 3.1.2 预测难点 |
| 3.2 生鲜蔬菜销量数据准备与预处理 |
| 3.2.1 数据准备 |
| 3.2.2 数据预处理 |
| 3.3 生鲜蔬菜销量趋势预测模型评价指标 |
| 3.3.1 均方根误差 |
| 3.3.2 平均绝对误差 |
| 3.3.3 平均绝对百分比误差 |
| 3.4 本章小结 |
| 4 基于改进SVM的销量趋势预测方法研究与模型构建 |
| 4.1 SVM方法概述 |
| 4.2 SVM方法改进思路与方法 |
| 4.2.1 训练参数设置方法 |
| 4.2.2 区间预测方法 |
| 4.3 基于改进SVM的生鲜蔬菜销量趋势预测模型 |
| 4.4 基于改进SVM的销量趋势预测模型实例分析 |
| 4.4.1 模型训练参数优化结果 |
| 4.4.2 模糊信息粒化窗口划分结果 |
| 4.4.3 预测模型性能对比结果 |
| 4.5 本章小结 |
| 5 生鲜蔬菜销量趋势预测系统设计与应用 |
| 5.1 系统架构 |
| 5.2 生鲜蔬菜销量趋势预测系统设计 |
| 5.2.1 系统功能设计 |
| 5.2.2 系统数据库设计 |
| 5.3 生鲜蔬菜销量趋势预测系统实现 |
| 5.3.1 开发环境及搭建步骤 |
| 5.3.2 系统实现 |
| 5.4 生鲜蔬菜销量趋势预测系统测试 |
| 5.4.1 功能测试 |
| 5.4.2 性能测试 |
| 5.5 生鲜蔬菜销量趋势预测系统实例分析 |
| 5.5.1 预测流程 |
| 5.5.2 模糊信息粒化窗口划分结果 |
| 5.5.3 安徽省某电商平台销量趋势预测结果 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）基于深度学习的烟叶霉变数据分析及其系统设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 烟叶霉变检测方法研究现状 |
| 1.2.2 深度学习在农产品应用方面的研究现状 |
| 1.3 本文研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2章节安排 |
| 第2章 理论基础 |
| 2.1 电子鼻技术理论基础 |
| 2.1.1 电子鼻的结构 |
| 2.1.2 气敏传感器阵列模块 |
| 2.1.3 信号预处理模块 |
| 2.1.4 模式识别模块 |
| 2.2 一维卷积神经网络理论基础 |
| 2.2.1 输入层 |
| 2.2.2 卷积层 |
| 2.2.3 激活层 |
| 2.2.4 池化层 |
| 2.2.5 全连接层 |
| 2.3 本章小结 |
| 第3章 数据采集及预处理与分析 |
| 3.1 试验材料 |
| 3.2 采集设备 |
| 3.3 采集方法 |
| 3.4 试验数据预处理 |
| 3.4.1 电子鼻响应信号 |
| 3.4.2 去基准处理 |
| 3.4.3 信号降噪处理 |
| 3.5 不同烟叶状态区分度分析 |
| 3.6 传感器阵列优化 |
| 3.6.1 优化目的与意义 |
| 3.6.2 优化方法 |
| 3.7 本章小结 |
| 第4章 基于一维卷积神经网络的烟叶霉变状态识别算法 |
| 4.1 模型构建与训练 |
| 4.1.1 实验环境 |
| 4.1.2 数据增广 |
| 4.1.3 数据集划分 |
| 4.1.4 模型超参数选择 |
| 4.1.5 一维卷积神经网络模型结构 |
| 4.2 实验仿真与结果分析 |
| 4.2.1 评估指标 |
| 4.2.2 实验结果 |
| 4.2.3 网络模型对比分析 |
| 4.2.4 特征可视化分析 |
| 4.3 本章小结 |
| 第5章 仓储烟叶环境智能监测预警系统设计与实现 |
| 5.1 系统总体方案设计 |
| 5.1.1 系统功能分析 |
| 5.1.2 总体方案设计 |
| 5.2 数据采集终端设计与实现 |
| 5.2.1 数据采集终端架构设计 |
| 5.2.2 数据采集终端硬件设计与实现 |
| 5.2.3 数据采集终端软件设计 |
| 5.3 仓储烟叶环境智能监测信息管理系统设计与实现 |
| 5.3.1 需求分析 |
| 5.3.2 系统总体设计 |
| 5.3.3 数据库设计 |
| 5.3.4 系统实现 |
| 5.4 系统运行测试 |
| 5.4.1 测试方案 |
| 5.4.2 数据采集终端性能测试 |
| 5.4.3 数据监测及烟叶霉变预警测试 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文和研究成果 |
| 致谢 |
（5）基于机器视觉的甘蓝型油菜生长状态检测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 智能农业 |
| 1.1.2 甘蓝型油菜虫害 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 现状分析 |
| 1.3 论文主要研究内容 |
| 1.4 论文组织结构 |
| 2 图像识别相关理论与技术 |
| 2.1 图像识别概述 |
| 2.1.1 图像分割方法 |
| 2.1.2 图像特征提取方法 |
| 2.1.3 图像特征分类方法 |
| 2.2 人工神经网络和BP神经网络 |
| 2.2.1 人工神经网络概述 |
| 2.2.2 BP神经网络的结构和训练过程 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络的思想 |
| 2.3.2 卷积神经网络的优化算法 |
| 2.3.3 卷积神经网络的数据增强技术 |
| 2.4 迁移学习理论 |
| 2.4.1 迁移学习技术概述 |
| 2.4.2 深度学习和迁移学习结合 |
| 2.5 本章小结 |
| 3 叶片图像获取与预处理 |
| 3.1 甘蓝型油菜图像采集 |
| 3.2 基于分水岭算法的油菜叶片图像分割 |
| 3.2.1 图像灰度化 |
| 3.2.2 Sobel算子锐化和顶帽处理 |
| 3.2.3 分割方法描述 |
| 3.3 基于颜色特征提取的油菜叶片图像分割 |
| 3.3.1 颜色模型 |
| 3.3.2 分割方法描述 |
| 3.4 算法对比实验 |
| 3.4.1 实验结果分析 |
| 3.5 本章小结 |
| 4 图像特征值的提取与分析 |
| 4.1 轮廓提取 |
| 4.2 叶片虫孔识别与面积计算 |
| 4.2.1 虫孔识别与面积计算方法 |
| 4.2.2 测试虫孔识别方法的准确性 |
| 4.3 叶片图像填充 |
| 4.3.1 叶片几何特征提取 |
| 4.4 特征值分析与虫情分级标准 |
| 4.4.1 特征值分析 |
| 4.4.2 虫情分级标准 |
| 4.5 本章小结 |
| 5 甘蓝型油菜叶片图像害虫抗性分类模型 |
| 5.1 模式识别 |
| 5.2 油菜叶片害虫抗性分类诊断 |
| 5.3 卷积神经网络 |
| 5.3.1 神经网络模型的训练 |
| 5.4 甘蓝型油菜害虫抗性分类模型设计 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（6）云南省地理标志农产品质量安全风险评估预警研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外相关研究现状 |
| 1.3.1 关于地理标志研究动态与现状 |
| 1.3.2 关于农产品质量安全风险研究动态与现状 |
| 1.3.3 关于神经网络模型国内外研究动态与现状 |
| 1.3.4 文献评述 |
| 1.4 研究方法与研究路线 |
| 1.4.1 研究内容 |
| 1.4.2 研究路线 |
| 1.5 创新之处 |
| 第二章 相关理论概述 |
| 2.1 相关概念 |
| 2.1.1 地理标志农产品 |
| 2.1.2 农产品质量安全 |
| 2.1.3 风险评估 |
| 2.2 相关基础理论 |
| 2.2.1 预警理论 |
| 2.2.2 神经网络风险评估预警 |
| 2.3 BP神经网络 |
| 2.3.1 BP神经网络基本原理 |
| 2.3.2 BP神经网络学习过程 |
| 2.3.3 BP神经网络拓扑结构 |
| 2.3.4 BP神经网络算法推导 |
| 2.4 蜂群算法原理 |
| 2.5 本章小结 |
| 第三章 地理标志农产品质量安全风险指标体系构建 |
| 3.1 地理标志农产品质量安全现状 |
| 3.2 质量安全风险指标设计思路 |
| 3.3 质量安全风险识别 |
| 3.3.1 生产环节风险识别 |
| 3.3.2 加工环节风险识别 |
| 3.3.3 储运环节风险识别 |
| 3.3.4 销售环节风险识别 |
| 3.4 农产品质量安全风险指标构建 |
| 3.4.1 农产品质量安全风险指标收集 |
| 3.4.2 初级地理标志农产品质量安全风险指标的确定 |
| 3.4.3 地理标志农产品质量安全风险指标的最终确定 |
| 3.5 质量安全风险指标的确定 |
| 3.6 本章小结 |
| 第四章 蜂群优化BP神经网络构建 |
| 4.1 蜂群算法BP神经网络设计 |
| 4.2 BP神经网络结构设计 |
| 4.2.1 网络层数设计 |
| 4.2.2 节点设计 |
| 4.2.3 函数设置 |
| 4.3 本章小结 |
| 第五章 实证分析——以普洱茶为例 |
| 5.1 普洱茶介绍 |
| 5.2 普洱茶质量安全风险指标数据收集 |
| 5.2.1 生产环节风险指标评价标准 |
| 5.2.2 加工环节风险指标评价标准 |
| 5.2.3 运输储存环节风险指标评价标准 |
| 5.3 风险指标数据描述性统计分析 |
| 5.3.1 问卷数据收集情况 |
| 5.3.2 信度分析 |
| 5.3.3 效度分析 |
| 5.4 蜂群优化BP神经网络模型应用 |
| 5.4.1 数据处理 |
| 5.4.2 警情划分 |
| 5.4.3 蜂群优化BP神经网络模型仿真训练 |
| 5.5 结果分析 |
| 5.6 对策和建议 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 局限与展望 |
| 致谢 |
| 参考文献 |
| 附录A 地理标志农产品质量安全风险指标筛选调查问卷 |
| 附录B 地理标志农产品风险评价指标权重系数专家调查问卷 |
| 附录C 普洱茶质量安全风险度调查问卷 |
| 攻读学位期间发表论文目录 |
（7）基于太赫兹光谱的大豆转基因、产地鉴别和蛋白质等定量检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统大豆转基因、产地鉴别和成分定量检测方法 |
| 1.2.2 基于NIRS的农产品与食品转基因、产地鉴别和成分定量检测方法的研究现状 |
| 1.2.3 基于THz光谱的农产品和食品转基因、产地鉴别方法的研究现状 |
| 1.2.4 基于THz光谱的农产品和食品成分定量检测方法的研究现状 |
| 1.2.5 基于DFT和THz光谱分析某种化学成分吸收峰位置的研究现状 |
| 1.3 研究内容和技术路线以及研究特色 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 研究的特色 |
| 1.4 本章小结 |
| 第2章 太赫兹时域光谱技术和分析方法 |
| 2.1 THz-TDS技术原理 |
| 2.1.1 透射式THz-TDS技术 |
| 2.1.2 其他THz-TDS技术 |
| 2.2 THz-TDS技术的特点 |
| 2.3 THz-TDS系统 |
| 2.3.1 透射式THz-TDS系统 |
| 2.3.2 反射式THz-TDS系统 |
| 2.4 光谱预处理方法 |
| 2.4.1 均值中心化 |
| 2.4.2 标准化 |
| 2.4.3 归一化 |
| 2.4.4 标准正态变量 |
| 2.4.5 多重散射校正 |
| 2.4.6 平滑去噪法 |
| 2.4.7 导数 |
| 2.4.8 直接正交信号校正 |
| 2.5 定性鉴别建模算法 |
| 2.5.1 判别偏最小二乘法 |
| 2.5.2 极限学习机 |
| 2.5.3 支持向量机 |
| 2.5.4 反向传播神经网络 |
| 2.6 定量检测建模算法 |
| 2.6.1 偏最小二乘法回归 |
| 2.6.2 支持向量回归 |
| 2.6.3 反向传播神经网络 |
| 2.6.4 径向基神经网络 |
| 2.7 本章小结 |
| 第3章 实验材料、实验设备和方法以及光谱采集 |
| 3.1 实验材料 |
| 3.2 实验设备和测定方法 |
| 3.2.1 大豆中转基因成分的筛查方法 |
| 3.2.2 大豆中蛋白质含量的测定方法 |
| 3.2.3 大豆中酸价和过氧化值的测定方法 |
| 3.2.4 大豆中维生素E含量的测定方法 |
| 3.3 THz-TDS系统与实验样品制备以及THz光谱采集 |
| 3.3.1 THz-TDS系统 |
| 3.3.2 实验样品制备 |
| 3.3.3 THz光谱采集过程中的注意事项和说明 |
| 3.4 本章小结 |
| 第4章 基于THz频域光谱的大豆转基因、产地鉴别方法研究 |
| 4.1 引言 |
| 4.2 基于THz频域光谱的转基因和非转基因大豆鉴别方法研究 |
| 4.2.1 实验材料 |
| 4.2.2 实验设备、样品制备和光谱采集 |
| 4.2.3 主成分分析、光谱预处理方法和转基因鉴别建模算法 |
| 4.2.4 实验样品的THz频域光谱分析 |
| 4.2.5 实验样品THz频域光谱的主成分分析 |
| 4.2.6 DPLS转基因鉴别模型建立和验证 |
| 4.2.7 PSO-SVM和GWO-SVM转基因鉴别模型建立和验证 |
| 4.3 基于THz频域光谱和i PLS的转基因与非转基因大豆鉴别方法研究 |
| 4.3.1 光谱预处理方法和转基因鉴别建模算法 |
| 4.3.2 iPLS优化光谱谱区范围 |
| 4.3.3 实验样品THz频域光谱的主成分分析对比 |
| 4.3.4 DPLS转基因鉴别模型的建立和验证 |
| 4.3.5 Grid Search-SVM转基因鉴别模型的建立和验证 |
| 4.3.6 PCA-BPNN转基因鉴别模型建立和验证 |
| 4.4 基于THz频域光谱的大豆产地鉴别方法研究 |
| 4.4.1 实验材料 |
| 4.4.2 光谱预处理方法和产地鉴别建模算法 |
| 4.4.3 实验样品的THz频域光谱分析 |
| 4.4.4 iPLS优化光谱谱区范围 |
| 4.4.5 实验样品的THz频域光谱分析 |
| 4.4.6 ELM大豆产地鉴别模型的建立和验证 |
| 4.4.7 GA-SVM和ABC-SVM大豆产地鉴别模型的建立与验证 |
| 4.5 本章小结 |
| 第5章 基于THz吸收光谱的大豆中蛋白质、酸价和过氧化值定量检测方法研究 |
| 5.1 引言 |
| 5.2 基于THz吸收光谱的大豆中蛋白质定量检测方法研究 |
| 5.2.1 实验材料 |
| 5.2.2 光谱预处理方法和蛋白质定量检测建模算法 |
| 5.2.3 实验样品的THz吸收光谱分析 |
| 5.2.4 PLSR大豆中蛋白质定量检测模型的建立和验证 |
| 5.2.5 PCA-RBFNN与ABC-SVR大豆中蛋白质定量检测模型的建立和验证 |
| 5.3 基于THz吸收光谱和数据降维算法的大豆中蛋白质定量检测方法研究 |
| 5.3.1 数据降维算法 |
| 5.3.2 光谱预处理方法和蛋白质含量检测模型的评判标准 |
| 5.3.3 实验样品的THz吸收光谱分析 |
| 5.3.4 PLSR大豆中蛋白质定量检测模型的建立和验证 |
| 5.3.5 GA-SVR,GWO-SVR和BPNN大豆中蛋白质定量检测模型的建立和验证 |
| 5.4 基于THz吸收光谱的大豆中酸价和过氧化值定量检测方法初步研究 |
| 5.4.1 实验材料 |
| 5.4.2 数据降维算法 |
| 5.4.3 实验样品的THz吸收光谱分析 |
| 5.4.4 大豆中酸价和过氧化值定量检测模型的建立与验证 |
| 5.5 本章小结 |
| 第6章 基于DFT和THz吸收光谱的大豆中维生素E定量检测特征谱区选择方法研究 |
| 6.1 引言 |
| 6.2 量子力学的DFT |
| 6.3 基于DFT和THz吸收光谱模拟某种化学成分吸收峰位置可行性研究 |
| 6.3.1 酒石酸 |
| 6.3.2 酒石酸的THz吸收光谱 |
| 6.3.3 基于DFT和THz吸收光谱模拟酒石酸的吸收峰位置研究 |
| 6.4 基于DFT和THz吸收光谱模拟大豆中维生素E吸收峰位置与定量检测特征谱区选择方法初步研究 |
| 6.4.1 维生素E |
| 6.4.2 基于DFT和THz吸收光谱模拟 α、γ、δ-生育酚的吸收峰位置研究 |
| 6.4.3 基于吸收峰位置的大豆中维生素E定量检测特征谱区选择方法初步探索研究 |
| 6.5 本章小结 |
| 第7章 结论与展望 |
| 7.1 论文主要结论 |
| 7.2 论文主要创新点 |
| 7.3 论文工作展望 |
| 参考文献 |
| 博士期间取得的科研成果 |
| 致谢 |
（8）贮期鸡蛋蛋白质含量品质的光谱无损检测方法及装置研发（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略语表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 鸡蛋品质无损检测方法研究现状 |
| 1.2.2 光谱技术在农产品品质无损检测中的研究现状 |
| 1.2.3 国内外同类研究现状总结及启示 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 2 贮期鸡蛋品质和蛋清主要蛋白质含量的变化规律及相关关系 |
| 2.1 前言 |
| 2.2 材料与方法 |
| 2.2.1 试验材料与分组 |
| 2.2.2 试验仪器 |
| 2.2.3 试验方法 |
| 2.3 结果与分析 |
| 2.3.1 鸡蛋品质指标及主要蛋白质含量的统计及其变化规律 |
| 2.3.2 鸡蛋品质指标与蛋白质含量的相关性分析 |
| 2.3.3 鸡蛋品质指标与蛋清蛋白含量的灰色关联度分析 |
| 2.3.4 等价蛋龄预测模型 |
| 2.3.5 不同品种鸡蛋品质与S-卵白蛋白含量相关性分析 |
| 2.4 本章小结 |
| 3 基于高光谱成像技术的鸡蛋新鲜度、酸碱度及黏度检测 |
| 3.1 前言 |
| 3.2 材料与方法 |
| 3.2.1 试验材料与分组 |
| 3.2.2 试验装置 |
| 3.2.3 试验方法 |
| 3.2.4 光谱数据分析方法 |
| 3.3 结果与分析 |
| 3.3.1 鸡蛋新鲜度、酸碱度及黏度的相关性 |
| 3.3.2 光谱数据预处理 |
| 3.3.3 竞争性自适应重加权算法提取特征波长 |
| 3.3.4 连续投影算法提取特征波长 |
| 3.3.5 二次特征波长提取 |
| 3.3.6 新鲜度、酸碱度及黏度预测模型的建立与验证 |
| 3.4 本章小节 |
| 4 基于高光谱成像技术的S-卵白蛋白含量无损检测及其可视化 |
| 4.1 前言 |
| 4.2 材料与方法 |
| 4.2.1 试验材料与分组 |
| 4.2.2 试验仪器 |
| 4.2.3 S-卵白蛋白含量测定 |
| 4.2.4 光谱、图像数据分析方法 |
| 4.3 结果与分析 |
| 4.3.1 样本集的划分 |
| 4.3.2 基于图像特征参数的S-卵白蛋白含量预测 |
| 4.3.3 基于特征波长的S-卵白蛋白含量预测 |
| 4.3.4 基于图像—光谱融合信息的无损预测模型 |
| 4.3.5 S-卵白蛋白含量可视化 |
| 4.4 本章小结 |
| 5 基于可见-近红外光谱技术的鸡蛋新鲜度指标及S-卵白蛋白含量无损检测 |
| 5.1 前言 |
| 5.2 材料与方法 |
| 5.2.1 试验材料与分组 |
| 5.2.2 试验仪器 |
| 5.2.3 鸡蛋新鲜度指标及S-卵白蛋白含量的测定 |
| 5.2.4 光谱数据分析方法 |
| 5.3 结果与分析 |
| 5.3.1 不同样本划分方法对原始全波段光谱预测模型的影响 |
| 5.3.2 海蓝褐壳鸡蛋新鲜度指标及S-卵白蛋白含量的光谱建模 |
| 5.3.3 罗曼粉壳鸡蛋新鲜度指标及S-卵白蛋白含量的光谱建模 |
| 5.4 本章小节 |
| 6 不同品种鸡蛋新鲜度指标及S-卵白蛋白含量预测模型优化 |
| 6.1 前言 |
| 6.2 模型优化的基本原理与方法 |
| 6.2.1 基于模型全局更新的模型优化 |
| 6.2.2 基于直接校正的模型优化 |
| 6.2.3 基于斜率/截距校正的模型优化 |
| 6.3 模型适用性检验 |
| 6.3.1 模型验证法 |
| 6.3.2 平均光谱法 |
| 6.3.3 主成分得分空间分布法 |
| 6.3.4 模型适用性检验结果 |
| 6.4 鸡蛋哈夫值模型优化结果 |
| 6.4.1 全局更新 |
| 6.4.2 直接校正 |
| 6.4.3 斜率/截距校正 |
| 6.5 鸡蛋蛋黄指数模型优化结果 |
| 6.5.1 全局更新 |
| 6.5.2 直接校正 |
| 6.5.3 斜率/截距校正 |
| 6.6 鸡蛋S-卵白蛋白含量模型优化结果 |
| 6.6.1 全局更新 |
| 6.6.2 直接校正 |
| 6.6.3 斜率/截距校正 |
| 6.7 不同方法模型优化结果比较 |
| 6.8 本章小结 |
| 7 蛋新鲜度指标及S-卵白蛋白含量无损检测装置研究 |
| 7.1 前言 |
| 7.2 蛋新鲜度指标及S-卵白蛋白含量无损检测装置设计 |
| 7.2.1 检测装置总体设计 |
| 7.2.2 检测装置关键部件选择 |
| 7.2.3 检测装置组装与调试 |
| 7.3 蛋新鲜度指标及S-卵白蛋白含量无损检测软件系统设计 |
| 7.3.1 软件开发平台简介 |
| 7.3.2 软件功能需求分析 |
| 7.3.3 软件流程及功能实现 |
| 7.4 蛋新鲜度指标及S-卵白蛋白含量无损检测装置功能检验 |
| 7.5 本章小结 |
| 8 结论与展望 |
| 8.1 研究结论 |
| 8.2 主要创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 附录A 课题来源 |
| 附录B 攻读博士学位期间的主要科研成果 |
| 致谢 |
（9）基于计算机视觉的猕猴桃无损检测与自动分级研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究意义与目的 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究内容 |
| 1.5 技术路线 |
| 第二章 图像采集与预处理 |
| 2.1 引言 |
| 2.2 样本选择 |
| 2.3 图像采集 |
| 2.3.1 实验器材组成部分 |
| 2.3.2 图像采集过程 |
| 2.4 图像灰度化 |
| 2.5 图像平滑 |
| 2.5.1 领域平均法 |
| 2.5.2 中值滤波法 |
| 2.5.3 实验结果分析 |
| 2.6 背景分割法 |
| 2.6.1 阈值分割法 |
| 2.6.2 边缘检测法 |
| 2.7 本章小结 |
| 第三章 猕猴桃形状大小检测与分级研究 |
| 3.1 引言 |
| 3.2 形状特征 |
| 3.2.1 几何特征 |
| 3.2.2 傅立叶描述子 |
| 3.3 猕猴桃特征提取 |
| 3.3.1 面积特征提取 |
| 3.3.2 体积特征提取 |
| 3.4 本章小结 |
| 第四章 猕猴桃颜色检测与分级算法研究 |
| 4.1 引言 |
| 4.2 颜色模型选取 |
| 4.2.1 常用颜色模型 |
| 4.2.2 RGB颜色模型 |
| 4.2.3 HIS颜色模型 |
| 4.2.4 颜色模型确定 |
| 4.3 粒子群优化BP神经网络分级 |
| 4.3.1 基于PSO优化的BP神经网络算法 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第五章 猕猴桃表面缺陷检测与分级研究 |
| 5.1 引言 |
| 5.2 早期缺陷检测算法 |
| 5.3 表面缺陷特征的提取 |
| 5.3.1 缺陷特征处理 |
| 5.3.2 形态学处理 |
| 5.4 遗传算法优化BP神经网络的缺陷检测 |
| 5.4.1 GA优化BP神经网络设计 |
| 5.4.2 猕猴桃缺陷分级与仿真 |
| 5.5 本章小结 |
| 第六章 猕猴桃分级系统的设计与实现 |
| 6.1 软件系统组成 |
| 6.2 系统设计思想 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）基于机器视觉的马铃薯品质在线检测及分级研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究目的与意义 |
| 1.2 机器视觉的发展应用 |
| 1.2.1 机器视觉概述 |
| 1.2.2 机器视觉在农产品检测中的应用 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文研究内容 |
| 第2章 相机标定和图像预处理 |
| 2.1 引言 |
| 2.2 相机、镜头的选取 |
| 2.2.1 相机的选择 |
| 2.2.2 镜头的选择 |
| 2.3 相机标定 |
| 2.3.1 线性模型 |
| 2.3.2 非线性模型 |
| 2.3.3 张正友平面标定法 |
| 2.4 图像预处理 |
| 2.4.1 图像灰度化 |
| 2.4.2 图像滤波 |
| 2.4.3 图像阈值分割 |
| 2.4.4 图像边缘检测 |
| 2.5 本章小结 |
| 第3章 马铃薯外部缺陷检测 |
| 3.1 引言 |
| 3.2 常见的颜色模型 |
| 3.2.1 RGB模型 |
| 3.2.2 HSI模型 |
| 3.3 基于欧氏距离的绿皮检测 |
| 3.3.1 基于RGB模型的欧氏距离 |
| 3.3.2 基于HSI模型的欧氏距离 |
| 3.4 基于SUSAN算子缺陷检测 |
| 3.4.1 SUSAN算子原理 |
| 3.4.2 形态学操作及小面积区域的去除 |
| 3.5 检测结果 |
| 3.6 本章小结 |
| 第4章 马铃薯形状检测 |
| 4.1 引言 |
| 4.2 形状特征参数的提取 |
| 4.2.1 Hu不变矩 |
| 4.2.2 Hu不变矩的推广 |
| 4.3 基于二值图像的不变矩 |
| 4.4 基于边缘检测图像的不变矩 |
| 4.5 基于BP神经网络的形状分类 |
| 4.5.1 人工神经元 |
| 4.5.2 BP神经网络 |
| 4.6 检测结果 |
| 4.7 本章小结 |
| 第5章 马铃薯大小检测及图像采集系统 |
| 5.1 引言 |
| 5.2 深度相机的选取 |
| 5.3 基于深度图像的马铃薯体积计算 |
| 5.3.1 单个像素点面积的计算 |
| 5.3.2 体积计算 |
| 5.4 马铃薯质量计算 |
| 5.5 分级检测结果 |
| 5.6 图像采集系统 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
四、BP神经网络在农产品生产与检测中的应用（论文参考文献）
- [1]卷积神经网络光谱分析方法及其在农产品品质检测中的应用[D]. 张晓蕾. 浙江大学, 2021
- [2]便携式伏安型电子舌检测系统的研制及其在黄酒品质检测中的应用[D]. 张辉辉. 浙江大学, 2021(01)
- [3]基于改进SVM的生鲜蔬菜销量趋势预测研究[D]. 吕旺. 安徽农业大学, 2021(02)
- [4]基于深度学习的烟叶霉变数据分析及其系统设计[D]. 翟乃琦. 云南师范大学, 2021(08)
- [5]基于机器视觉的甘蓝型油菜生长状态检测研究[D]. 陈家茜. 武汉轻工大学, 2021(02)
- [6]云南省地理标志农产品质量安全风险评估预警研究[D]. 窦斌. 昆明理工大学, 2021(02)
- [7]基于太赫兹光谱的大豆转基因、产地鉴别和蛋白质等定量检测方法研究[D]. 魏枭. 西南大学, 2021
- [8]贮期鸡蛋蛋白质含量品质的光谱无损检测方法及装置研发[D]. 付丹丹. 华中农业大学, 2020
- [9]基于计算机视觉的猕猴桃无损检测与自动分级研究[D]. 李倩倩. 安徽农业大学, 2020(04)
- [10]基于机器视觉的马铃薯品质在线检测及分级研究[D]. 于涌波. 燕山大学, 2020(01)