基于高光谱成像和深度学习的可回收垃圾分类方法研究

目录

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