声明
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 基于图像处理技术的种子品质检测研究
1.2.2 基于近红外光谱技术的种子品质检测研究
1.2.3 基于红外热成像技术的种子品质检测研究
1.2.4 基于高光谱图像技术的种子品质检测研究
1.3 主要研究内容与技术路线
1.3.1 主要研究内容
1.3.2 技术路线
1.4 本章小结
第2章 数据采集与检测机理分析
2.1 大豆种子样本制备
2.2 高光谱图像采集与数据提取
2.2.1 高光谱图像的采集
2.2.2 光谱数据的提取
2.3 发芽实验
2.3.1 大豆种子活力的测定
2.3.2 大豆种子生活力的测定
2.4 检测机理分析
2.5 本章小结
第3章 相关算法研究
3.1 光谱数据预处理方法
3.2 光谱数据降维方法
3.2.1 堆叠自动编码器（SAE）
3.2.2 迭代变量子集优化算法（IVSO）
3.2.3 迭代保留信息变量算法（IRIV）
3.3 化学计量学建模方法
3.3.1 支持向量回归算法
3.3.2 基于鸟群算法优化的支持向量回归
3.3.3 基于鲸鱼优化算法优化的支持向量回归
3.3.4 基于蝗虫优化算法优化的支持向量回归
3.4 模型评价标准
3.4.1 分类模型评价标准
3.4.2 预测模型评价标准
3.5 本章小结
第4章 基于高光谱图像技术的大豆种子活力鉴别研究
4.1 光谱数据的预处理
4.2 平均光谱曲线分析
4.3 光谱数据的降维
4.4 大豆种子活力鉴别模型的建立
4.4.1 样本集的划分
4.4.2 SVM模型的建立
4.4.3 基于不同寻优算法的SVM模型的建立
4.5 本章小结
第5章 基于高光谱图像技术的大豆种子生活力检测研究
5.1 光谱数据的预处理
5.2 平均光谱曲线分析
5.3 特征波长选择
5.3.1 基于IVSO的特征波长选择
5.3.2 基于IRIV的特征波长选择
5.3.3 特征波长选择的结果分析
5.3.4 二次特征波长选择
5.4 大豆种子生活力预测模型的建立
5.4.1 样本集的划分
5.4.2 基于不同特征选择算法的SVR模型的建立
5.4.3 基于不同寻优算法的SVR模型的建立
5.5 本章小结
第6章 总结与展望
6.1 论文工作总结
6.2 展望
参考文献
致谢
攻读硕士学位期间的学术成果
江苏大学;
