近紅外光譜數(shù)據(jù)庫技術及其在農(nóng)產(chǎn)品檢測中的應用

前言
第1章緒論
1.1課題背景與研究意義
1.1.1NIR光譜技術概述
1.1.2NIR光譜分析的常見流程
1.1.3存在的問題與發(fā)展趨勢
1.2SDBS概述
1.2.1SDBS原理及特點
1.2.2國外研究進展概況
1.2.3國內(nèi)研究進展概況
1.2.4其他相關研究
1.3本書研究目的、內(nèi)容和技術路線
1.3.1研究目的
1.3.2研究內(nèi)容
1.3.3技術路線
1.4本章小結
第2章光譜數(shù)據(jù)庫常用算法
2.1光譜預處理算法介紹
2.1.1平滑
2.1.2扣減
2.1.3導數(shù)或微分
2.1.4標準化
2.1.5多元散射校正
2.1.6標準正交變換
2.2NIR光譜特征峰識別及其參數(shù)計算
2.2.1NIR光譜的特點
2.2.2峰位
2.2.3峰邊界
2.2.4峰高
2.2.5峰寬
2.2.6峰面積
2.3匹配算法
2.3.1SMA-P
2.3.2SMA-FS
2.4波段選擇
2.4.1經(jīng)驗法
2.4.2分段排序法
2.4.3相關系數(shù)法
2.4.4方差分析法
2.4.5相關成分分析法
2.4.6基于遺傳算法的波段選擇法
2.4.7CARS波段選擇法
2.5常用建模算法
2.5.1定量建模算法
2.5.2定性建模算法
2.6本章小結
第3章一種自適應平滑算法在蘋果NIR光譜分析中的應用
3.1引言
3.2技術與方法
3.2.1噪聲估算
3.2.2光譜局部波動頻率
3.2.3數(shù)據(jù)點權值
3.2.4一種自適應平滑算法
3.2.5光譜特征峰定位及參數(shù)計算算法改進
3.3試驗
3.3.1試驗樣品
3.3.2光譜儀與參數(shù)設置
3.3.3SSC檢測儀
3.3.4支撐試驗的軟硬件平臺
3.4結果與討論
3.4.1SSC測量結果
3.4.2基于DA的分類結果
3.4.3構造各類別的中心光譜
3.4.4算法參數(shù)的確定與優(yōu)選
3.4.5改進后算法對特征波段的保護
3.4.6假性峰過濾參數(shù)優(yōu)化
3.4.7基于SMA-P的分類原理
3.4.8基于SMA-P的蘋果樣品分類
3.5本章小結
第4章基于杰卡德相似性系數(shù)原理的SMA-FS在蘋果分類識別中的應用
4.1引言
4.2方法介紹
4.2.1蘋果樣品NIR光譜的一階導數(shù)
4.2.2一階導數(shù)光譜的預處理
4.2.3一階導數(shù)二值化
4.2.4JSC
4.2.5JSC在NIR光譜匹配中的應用
4.2.6SMA-JSC算法的改進
4.3試驗
4.3.1試驗樣品
4.3.2光譜儀與參數(shù)設置
4.3.3支撐試驗的軟硬件平臺
4.4結果與分析
4.4.1S5～S7三類樣品的SSC含量
4.4.2基于DA的S1～S7分類
4.4.3類別中心構建
4.4.4基于SMA-JSC的蘋果樣品分類識別
4.4.5SMA-JSC算法與常用SMA-FS算法的比較
4.4.6基于SMA-JSC算法檢索分析特定樣品的原理
4.4.7分辨率對SMA-JSC算法的影響
4.4.8改進SMA-JSC算法在蘋果分類識別中的應用
4.5本章小結
第5章NIR-SDBS原型系統(tǒng)開發(fā)實例
5.1概述
5.2NIR-SDBS原型系統(tǒng)分析
5.2.1NIR-SDBS原型系統(tǒng)的需求描述
5.2.2水果NIR-SDBS原型系統(tǒng)的主要用例
5.2.3動態(tài)模型（場景時序圖）
5.2.4靜態(tài)模型（對象模型）
5.3系統(tǒng)設計
5.4對現(xiàn)有系統(tǒng)的比較
5.5本章小結
附錄二維碼資源
附錄A中英文對照表
附錄B部分算法C#代碼
附錄C基于SMA-JSC算法檢索分析特定樣品測試結果
參考文獻