基于高光谱成像技术结合神经网络的红景天、石斛品种鉴别和大花红景天产地鉴别研究
声明
目录
中文摘要
英文摘要
第一章 绪论
1.1 红景天属植物的概况
1.2 石斛属植物的概况
第二章 高光谱图像数据采集与处理方法
2.1 高光谱成像数据采集系统
2.1.1 高光谱成像技术的原理
2.1.2 高光谱成像系统
2.1.3 高光谱图像的采集与校正
2.2 样本的主成分分析（PCA）
2.3 光谱的预处理
2.3.1 Savitzky-Golay平滑法（SG）
2.3.2 多元散射校正（MSC）
2.3.3 标准正态变换（SNV）
2.3.4 导数（Derivative）
2.4 特征波长的提取
2.4.1 载荷系数法（x-LW）
2.4.2 连续投影算法（SPA）
2.4.3 竞争自适应重加权采样（CARS）
2.5 模型的建立
2.5.1 偏最小二乘-判别分析(PLS-DA)
2.5.2 簇类的独立软模式（SIMCA）
2.5.3 线性判别分析（LDA）
2.5.4 概率神经网络（PNN）
2.5.5 广义回归神经网络（GRNN）
2.5.6 径向基函数神经网络（RBFNN）
2.5.7 反向传播神经网络（BPNN）
2.5.8 模型的评价标准
2.6 数据分析软件
2.7 本章小结
第三章 基于可见光高光谱成像技术的红景天品种鉴别研究
3.1 样品的制备和光谱数据的采集
3.1.1 样品的制备
3.1.2 高光谱图像的采集
3.1.3 感兴趣区域的提取和样本的划分
3.2 可见光范围内光谱特征的分析
3.3 PCA分析
3.4 可见光范围内光谱预处理方法的选择
3.5 可见光范围内光谱的特征波长提取
3.5.1 基于载荷系数法（x-LW）提取特征波长
3.5.2 基于连续投影算法（SPA）提取特征波长
3.5.3 基于竞争自适应重加权算法（CARS）提取特征波长
3.6 基于特征波长和全波长进行红景天的品种鉴别
3.6.1 基于特征波长和全波长建立PLD-DA分类模型
3.6.2 基于特征波长和全波长建立SIMCA 分类模型
3.6.3 基于特征波长建立LDA分类模型
3.6.4 基于特征波长和全波长建立PNN分类模型
3.6.5 基于特征波长和全波长建立GRNN分类模型
3.6.6 基于特征波长和全波长建立RBFNN分类模型
3.6.7 基于特征波长和全波长建立BPNN分类模型
3.7 基于特征波长和全波长7种分类模型的比较分析
3.8 本章小结
第四章 基于近红外高光谱成像技术的红景天品种鉴别研究
4.1 样品的制备和光谱数据的采集
4.1.1 样品的制备
4.1.2 高光谱图像的采集
4.1.3 感兴趣区域的提取和样本的划分
4.2 近红外范围内光谱特征的分析
4.3 PCA分析
4.4 近红外范围内光谱预处理方法的选择
4.5 近红外范围内光谱的特征波长提取
4.5.1 基于载荷系数法（x-LW）提取特征波长
4.5.2 基于连续投影算法（SPA）提取特征波长
4.5.3 基于竞争自适应重加权算法（CARS）提取特征波长
4.6 基于特征波长和全波长进行红景天的品种鉴别
4.6.1 基于特征波长和全波长建立PLD-DA分类模型
4.6.2 基于特征波长和全波长建立SIMCA分类模型
4.6.3 基于特征波长建立LDA分类模型
4.6.4 基于特征波长和全波长建立PNN分类模型
4.6.5 基于特征波长和全波长建立GRNN分类模型
4.6.6 基于特征波长和全波长建立RBFNN分类模型
4.6.7 基于特征波长和全波长建立BPNN分类模型
4.7 基于特征波长和全波长7种分类模型的比较分析
4.8 本章小结
第五章 基于可见光高光谱成像技术的大花红景天的产地鉴别研究
5.1 样品的制备和光谱数据的采集
5.1.1 样品的制备
5.1.2 高光谱图像的采集
5.1.3 感兴趣区域的提取和样本的划分
5.2 可见光范围内光谱特征的分析
5.3 PCA分析
5.4 可见范围内光谱预处理方法的选择
5.5 可见光范围内光谱的特征波长提取
5.5.1 基于载荷系数法（x-LWs）提取特征波长
5.5.2 基于连续投影算法（SPA）提取特征波长
5.5.3 基于竞争自适应重加权算法（CARS）提取特征波长
5.6 基于特征波长和全波长进行大花红景天的产地鉴别
5.6.1 基于特征波长和全波长建立PLD-DA分类模型
5.6.2 基于特征波长和全波长建立SIMCA 分类模型
5.6.3 基于特征波长建立LDA分类模型
5.6.4 基于特征波长和全波长建立PNN分类模型
5.6.5 基于特征波长和全波长建立GRNN分类模型
5.6.6 基于特征波长和全波长建立RBFNN分类模型
5.6.7 基于特征波长和全波长建立BPNN分类模型
5.7 基于特征波长和全波长7种分类模型的比较分析
5.8 本章小结
第六章 基于近红外高光谱成像技术的大花红景天的产地鉴别研究
6.1 样品的制备和光谱数据的采集
6.1.1 样品的制备
6.1.2 高光谱图像的采集
6.1.3 感兴趣区域的提取和样本的划分
6.2 近红外范围内光谱特征的分析
6.3 PCA分析
6.4 近红外范围内光谱预处理方法的选择
6.5 近红外范围内光谱的特征波长提取
6.5.1 基于载荷系数法（x-LWs）提取特征波长
6.5.2 基于连续投影算法（SPA）提取特征波长
6.5.3 基于竞争自适应重加权算法（CARS）提取特征波长
6.6 基于特征波长和全波长进行大花红景天的产地鉴别
6.6.1 基于特征波长和全波长建立PLD-DA分类模型
6.6.2 基于特征波长和全波长建立SIMCA 分类模型
6.6.3 基于特征波长建立LDA分类模型
6.6.4 基于特征波长和全波长建立PNN分类模型
6.6.5 基于特征波长和全波长建立GRNN分类模型
6.6.6 基于特征波长和全波长建立RBFNN分类模型
6.6.7 基于特征波长和全波长建立BPNN分类模型
6.7 基于特征波长和全波长7种分类模型的比较分析
6.8 本章小结
第七章 基于可见光高光谱成像技术的石斛品种鉴别研究
7.1 样品的制备和光谱数据的采集
7.1.1 样品的制备
7.1.2 高光谱图像的采集
7.1.3 感兴趣区域的提取和样本的划分
7.2 可见光范围内光谱特征的分析
7.3 PCA分析
7.4 可见光范围内光谱预处理方法的选择
7.5 可见光范围内光谱的特征波长提取
7.5.1 基于载荷系数法（x-LWs）提取特征波长
7.5.2 基于连续投影算法（SPA）提取特征波长
7.5.3 基于竞争自适应重加权算法（CARS）提取特征波长
7.6 基于特征波长和全波长进行石斛的品种鉴别
7.6.1 基于特征波长和全波长建立PLD-DA分类模型
7.6.2 基于特征波长和全波长建立SIMCA 分类模型
7.6.3 基于特征波长建立LDA分类模型
7.6.4 基于特征波长和全波长建立PNN分类模型
7.6.5 基于特征波长和全波长建立GRNN分类模型
7.6.6 基于特征波长和全波长建立RBFNN分类模型
7.6.7 基于特征波长和全波长建立BPNN分类模型
7.7 基于特征波长和全波长7种分类模型的比较分析
7.8 本章小结
第八章 基于近红外高光谱成像技术的石斛品种鉴别研究
8.1 样品的制备和光谱数据的采集
8.1.1 样品的制备
8.1.2 高光谱图像的采集
8.1.3 感兴趣区域的提取和样本的划分
8.2 近红外范围内光谱特征的分析
8.3 PCA分析
8.4 近红外范围内光谱预处理方法的选择
8.5 近红外范围内光谱的特征波长提取
8.5.1 基于载荷系数法（x-LWs）提取特征波长
8.5.2 基于连续投影算法（SPA）提取特征波长
8.5.3 基于竞争自适应重加权算法（CARS）提取特征波长
8.6 基于特征波长和全波长进行石斛的品种鉴别
8.6.1 基于特征波长和全波长建立PLD-DA分类模型
8.6.2 基于特征波长和全波长建立SIMCA 分类模型
8.6.3 基于特征波长建立LDA分类模型
8.6.4 基于特征波长和全波长建立PNN分类模型
8.6.5 基于特征波长和全波长建立GRNN分类模型
8.6.6 基于特征波长和全波长建立RBFNN分类模型
8.6.7 基于特征波长和全波长建立BPNN分类模型
8.7 基于特征波长和全波长7种分类模型的比较分析
8.8 本章小结
参考文献
文献综述:中药材品质的无损检测技术
1.光谱法
1.1红外光谱技术
1.2 高光谱成像技术
1.3核磁共振技术
1.4 拉曼光谱技术
1.5 太赫兹光谱技术
1.6 X射线衍射法
2.其它方法
2.1 计算机视觉技术
2.2 电子鼻
2.3 电子舌
3.总结和讨论
参考文献
致谢
硕士期间科研成果
参与课题情况
学术成果
相关知识
中药材品种与产地鉴别研究现状与思考
藏药大花红景天抗氧化应激药效物质辨识研究
突破性研究：高光谱成像与边缘AI实现昆虫物种精确识别
大花红景天与小花红景天区别(大花红景天与小花红景天区别在哪)
云南大花红景天化学成分研究
基于光谱成像技术的作物叶片红蜘蛛侵染检测研究进展
基于叶片的山茶花FTIR鉴别分类研究
大花红景天中化学成分的研究
基于多光谱成像的草种质量检测
基于高光谱成像技术的山楂损伤和虫害缺陷识别研究
网址: 基于高光谱成像技术结合神经网络的红景天、石斛品种鉴别和大花红景天产地鉴别研究 https://m.huajiangbk.com/newsview2300481.html
| 上一篇: 科学的力量丨手机一拍榴莲“报数” |
下一篇: 网友发现山东竟然是榴莲产地 网友 |
