封面 书名页 版权页 前言 目录页 1 概述 1.1 农作物/农产品信息的光谱技术检测 1.1.1 光谱技术在农作物检测中的应用 1.1.2 光谱技术在农作物农药残留检测中的应用 1.2 农作物/农产品信息的电特性技术检测 1.2.1 介电特性技术在水果品质检测中的应用 1.2.2 介电特性技术在粮食含水率检测中的应用 1.2.3 介电特性在叶片含水率检测中的应用 参考文献 2 光谱预处理算法 2.1 Savitzky-Golay多项式平滑 2.2 移动平均平滑 2.3 多元散射校正算法 2.4 标准正态变量变换和去趋势算法 2.5 导数变换算法 2.6 正交信号校正算法 2.7 小波阈值 2.8 小波分段 参考文献 3 光谱特征选取方法 3.1 逐步回归分析 3.2 连续投影算法 3.3 权重回归系数法 3.4 主成分分析 3.5 竞争性自适应加权算法 3.6 LDA算法 3.7 LPP算法 3.8 SLPP算法 3.9 离散小波变换 3.10 分段离散小波变换 参考文献 4 定性分析方法 4.1 支持向量机 4.2 K最近邻分类器 4.3 Adaboost-SVM及Adaboost-KNN 4.4 MSCPSO-SVM 4.5 极限学习机 4.6 Fisher判别分析 4.7 马氏距离判别分析 参考文献 5 定量分析方法 5.1 一元回归算法 5.2 多元线性回归 5.3 BP神经网络及改进算法 5.3.1 BP神经网络 5.3.2 基于贝叶斯算法的BP网络 5.3.3 基于L-M算法的BP网络 5.3.4 遗传神经网络 5.3.5 基于思维进化优化BP神经网络 5.3.6 PNN神经网络 5.3.7 GA-PNN神经网络 5.4 支持向量机回归算法及其改进 5.4.1 支持向量机回归算法 5.4.2 GA-LS-SVM算法 5.5 ABC-SVR 参考文献 6 水稻信息检测 6.1 样本培育 6.1.1 栽培方法 6.1.2 水稻光谱数据测定 6.1.3 水稻叶片水分含量与氮素含量的测定 6.1.4 特征光谱选取 6.2 基于高光谱的水稻水分检测 6.2.1 水稻叶片含水率与冠层反射光谱的关系 6.2.2 水稻叶片含水率与叶片反射光谱的关系 6.2.3 本节小结 6.3 基于高光谱的水稻叶片氮素检测 6.3.1 水稻叶片氮含量与冠层反射光谱的关系 6.3.2 水稻叶片氮含量与叶片反射光谱的关系 6.3.3 本节小结 参考文献 7 生菜信息检测 7.1 样本培育 7.1.1 氮素营养液的配制 7.1.2 样本的育苗移栽及施肥管理 7.1.3 叶片样本采集 7.2 生菜光谱数据测定 7.2.1 光谱仪器的选定 7.2.2 叶片光谱图像采集 7.3 生菜叶片氮素含量、水分含量的测定 7.3.1 叶片氮素含量测定 7.3.2 叶片水分含量测定 7.4 基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究 7.4.1 光谱预处理 7.4.2 特征提取 7.4.3 生菜氮素水平KNN分类器建模研究 7.4.4 生菜氮素水平SVM分类器建模研究 7.4.5 生菜氮素水平Adaboost分类器建模研究 7.4.6 本节小结 7.5 基于高光谱图像及ELM的生菜叶片氮素水平丰缺定性分析 7.5.1 光谱预处理 7.5.2 特征提取 7.5.3 生菜氮素水平SVM建模研究 7.5.4 生菜氮素水平BP神经网络建模研究 7.5.5 生菜氮素水平ELM建模研究 7.5.6 本节小结 7.6 基于高光谱图像的生菜叶片氮素含量预测 7.6.1 叶片氮含量测定结果 7.6.2 光谱预处理 7.6.3 特征提取 7.6.4 生菜氮含量PLSR建模研究 7.6.5 本节小结 7.7 基于遗传算法的生菜氮素水平特征优化选择 7.7.1 图像采集与预处理 7.7.2 图像特征提取及优化 7.7.3 生菜氮素水平SVM建模分析 7.7.4 本节小结 7.8 基于MSCPSO混合核SVM参数优化的生菜品质检测 7.8.1 数据源及图像获取 7.8.2 图像特征提取及优化 7.8.3 生菜氮素水平MSCPSO-SVM分类建模分析 7.8.4 本节小结 7.9 基于高光谱图像光谱与纹理信息的生菜氮素检测 7.9.1 高光谱图像预处理 7.9.2 图像特征提取 7.9.3 生菜氮含量SVR建模分析 7.9.4 本节小结 7.10 基于有监督特征提取的生菜叶片农药残留浓度高光谱鉴别 7.10.1 光谱预处理 7.10.2 生菜农药残留浓度水平的SVM建模分析 7.10.3 本节小结 7.11 基于融合小波的高光谱生菜农药残留梯度鉴别研究 7.11.1 光谱预处理 7.11.2 特征提取 7.11.3 生菜农药残留浓度水平的SVM建模分析 7.11.4 本节小结 7.12 基于分段离散小波变换及高光谱的生菜叶片农药残留梯度鉴别 7.12.1 光谱预处理 7.12.2 特征提取 7.12.3 生菜农药残留浓度水平SVM建模分析 7.12.4 本节小结 7.13 基于线性判别法的生菜农药残留定性检测 7.13.1 光谱预处理 7.13.2 特征提取 7.13.3 生菜农药残留浓度水平的线性判别建模分析 7.13.4 本节小结 7.14 基于荧光光谱的生菜农药残留检测 7.14.1 光谱预处理 7.14.2 特征提取 7.14.3 生菜农药残留浓度水平的SVM建模分析 7.14.4 本节小结 7.15 基于高光谱图像的生菜叶片水分检测 7.15.1 图像特征提取 7.15.2 生菜水分含量MLR建模分析 7.15.3 生菜水分含量BP神经网络建模分析 7.15.4 生菜水分含量PLS-ANN建模分析 7.15.5 本节小结 7.16 基于光谱的生菜品种检测 7.16.1 光谱预处理 7.16.2 特征提取 7.16.3 生菜品种SVM建模分析 7.16.4 本节小结 参考文献 8 桑叶信息检测 8.1 桑叶农药残留定性检测 8.1.1 桑叶试验样本制备 8.1.2 桑叶高光谱图像的采集 8.1.3 光谱曲线的分析 8.1.4 桑叶光谱信息的预处理 8.1.5 桑叶光谱特征波长选取 8.1.6 SVM分类建模 8.1.7 Ada-SVM分类建模 8.1.8 本节小结 8.2 桑叶农药残留定量检测 8.2.1 桑叶定量检测试验样本制备 8.2.2 高光谱图像的采集与标定 8.2.3 农药残留的气相检测 8.2.4 结果与分析 8.2.5 本节小结 参考文献 9 大米信息检测 9.1 基于高光谱图像的大米品种检测 9.1.1 高光谱提取与处理 9.1.2 高光谱特征选择与特征提取 9.1.3 建模分析 9.1.4 本节小结 9.2 基于高光谱图像的大米水分检测 9.2.1 样本制备 9.2.2 高光谱图像数据的采集 9.2.3 感兴趣区域的提取 9.2.4 数据预处理 9.2.5 特征波长的选取 9.2.6 预测模型 9.2.7 结果分析 9.2.8 本节小结 9.3 基于高光谱图像的大米淀粉检测 9.3.1 试验样本制备 9.3.2 高光谱图像采集 9.3.3 高光谱数据预处理 9.3.4 高光谱数据特征波长选择 9.3.5 基于全波长光谱的模型研究 9.3.6 基于特征波长光谱的模型研究 9.3.7 本节小结 参考文献 10 鸡蛋信息检测 10.1 基于电特性的鸡蛋品种鉴别 10.1.1 材料与设备 10.1.2 数据采集方法 10.1.3 频率对介电特性的影响 10.1.4 不同品种鸡蛋介电特性的差异 10.1.5 SVM分类模型 10.1.6 本节小结 10.2 基于电特性的鸡蛋品质检测 10.2.1 试验材料 10.2.2 试验方法 10.2.3 数据信息采集 10.2.4 频率对介电特性的影响 10.2.5 新鲜度对介电特性的影响 10.2.6 本节小结 参考文献 11 红豆信息检测 11.1 试验材料 11.1.1 样本制备与高光谱图像采集 11.1.2 高光谱图像的图像分割 11.2 样本的光谱特征 11.3 高光谱的特征选择和特征提取 11.3.1 基于SPA的特征信息选择 11.3.2 基于PCA的特征信息提取 11.3.3 基于ICA的特征信息提取 11.4 PNN神经网络鉴别模型分析 11.5 本章小结 参考文献 12 烟草信息检测 12.1 高光谱烟叶数据采集装置 12.2 样品的制备及光谱数据采集 12.3 水分的测定 12.4 烟叶光谱预处理 12.4.1 烟叶光谱数据预处理 12.4.2 烟叶光谱样本预处理 12.5 烟叶光谱MLR模型 12.6 本章小结 参考文献 13 玉米信息检测 13.1 试验与数据采集 13.1.1 仪器与设备 13.1.2 试验材料 13.1.3 试验方法与步骤 13.1.4 介电常数计算 13.1.5 湿基含水率的测量 13.2 数据分析 13.3 数学建模 13.3.1 线性建模 13.3.2 非线性建模 13.4 本章小结 参考文献 14 油麦菜信息检测 14.1 样本采集与含水率测定 14.2 光谱预处理 14.3 特征提取 14.3.1 CARS特征提取 14.3.2 SR特征提取 14.3.3 SPA特征提取 14.4 油麦菜水分含量SVR建模分析 14.5 油麦菜水分含量ABC-SVR建模分析 14.6 本章小结 参考文献 封底 ..更多