基于计算机视觉和近红外光谱技术的鱼新鲜度检测方法研究

声明

摘要

第一章 绪论

1．1 研究的目的和意义

1．2 鱼新鲜度检测的国内外研究现状

1．2．1 感官检测法

1．2．2 物理检验法

1．2．3 化学检测法

1．2．4 微生物检测法

1．2．5 传感器检测法

1．3 计算机视觉技术及其在鱼类品质检测中的应用

1．4 近红外光谱技术及其在鱼类品质检测中的应用

1．5 本研究的主要内容

1．6 本章小结

第二章 鱼新鲜度的理化指标检测

2．1 实验材料

2．2 实验仪器

2．3 实验方法

2．4 实验结果与分析

2．5 本章小结

第三章 基于计算机视觉技术的鱼新鲜度品质检测

3．1 用于鱼新鲜度检测的计算机视觉硬件系统设计

3．1．1 光照系统

3．1．2 摄像头

3．1．3 镜头

3．2 图像采集

3．3 图像处理

3．3．1 常用颜色模型介绍

3．3．2 鱼体分割

3．3．3 鱼眼感兴趣区域分割

3．3．4 鱼鳃感兴趣区域分割

3．4 颜色特征值提取

3．5 基于图像信息的鱼新鲜度等级判别

3．5．1 偏最小二乘判别分析模型原理

3．5．2 基于不同检测部位颜色特征值的PLS-DA模型判别

3．6 基于图像信息的TVB-N定量分析

3．6．1 模型评价指标

3．6．2 PLS模型对TVB-N含量的检测

3．7 本章小结

第四章 基于近红外光谱技术的鱼新鲜度品质检测

4．1 试验材料

4．2 近红外光谱采集

4．3 光谱预处理

4．4 基于光谱信息的鱼新鲜度等级判别

4．4．1 支持向量机模型简介

4．4．2 基于近红外光谱信息的SVM模型建立

4．4．3 模型预测结果与分析

4．5 基于近红外光谱信息的TVB-N定量分析

4．5．1 PLS模型对TVB-N的检测

4．5．2 siPLS模型对TVB-N检测

4．6 本章小结

第五章 基于多信息融合技术的鱼新鲜度等级判别

5．1 多信息融合原理与方法

5．2 BP神经网络融合模型对鱼新鲜度等级的判别

5．2．1 基于图像信息的BP神经网络模型判别

5．2．2 基于近红外光谱信息的印神经网络模型判别

5．2．3 基于图像和近红外光谱信息融合的BP神经网络模型判别

5．2．4 模型判别结果比较

5．3 本章小结

第六章 总结与展望

6．1 研究总结

6．2 研究展望

参考文献

致谢

攻读硕士期间发表的论文