声明
1 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 垃圾分类方法研究现状
1.2.2 高光谱成像技术发展动态
1.2.3 深度学习处理高光谱图像研究现状
1.3 论文组织结构
1.4 本章小结
2 可回收垃圾分类模型研究
2.1 高光谱图像分类模型概述
2.1.1 高光谱图像分类特点
2.1.2 高光谱图像分类模型算法
2.2 光谱特征匹配分类模型
2.3 数学统计特性分类模型
2.3.1 支持向量机算法
2.3.2 神经网络算法
2.4 可回收垃圾高光谱图像分类模型设计
2.4.1 高光谱成像技术分类可回收垃圾原理
2.4.2 方案设计
2.5 本章小结
3 高光谱成像系统与数据采集实验
3.1 高光谱成像原理
3.1.1 光谱分光原理
3.1.2 高光谱成像系统原理
3.1.3 高光谱成像系统组成
3.2 可回收垃圾高光谱图像采集实验
3.2.1 可回收垃圾实验材料
3.2.2 可回收垃圾高光谱图像采集实验
3.2.3 可回收垃圾高光谱图像样本集
3.3 本章小结
4 特征波段提取与SVM验证
4.1可回收垃圾高光谱数据去噪处理
4.2待分类目标感兴趣空间提取
4.2.1 图像分割去背景算法
4.2.2 提取目标感兴趣区域
4.2.3 ROI全波段光谱分析
4.3 特征光谱提取
4.3.1 特征波段提取准则
4.3.2 主成分提取特征波段算法
4.3.3 可回收垃圾高光谱维度特征空间
4.4 SVM算法验证
4.4.1 SVM分类器设计
4.4.2 SVM分类器优化及结果分析
4.5 本章小结
5 CNN分类模型设计与优化
5.1 分类模型设计
5.1.1 CNN输入数据集设计
5.1.2 CNN分类模型分类评价标准
5.1.3 CNN分类模型分析与设计
5.2 CNN分类模型训练与优化
5.3分类模型准确度分析
5.4 本章小结
6 总结与展望
6.1 总结
6.2 展望
参考文献
攻读硕士期间发表的论文及取得到研究成果
致谢
中北大学;