当前位置:首页 > 农业科学
光谱技术在农作物  农产品信息无损检测中的应用
光谱技术在农作物  农产品信息无损检测中的应用

光谱技术在农作物 农产品信息无损检测中的应用PDF电子书下载

农业科学

  • 电子书积分:10 积分如何计算积分?
  • 作 者:孙俊
  • 出 版 社:南京:东南大学出版社
  • 出版年份:2017
  • ISBN:9787564171698
  • 页数:212 页
图书介绍:本书内容背景涉及计算机信息技术在农业工程中的应用。以当前农业工程中农作物、农产品的内部信息检测为背景,介绍了农作物、农产品信息无损检测的必要性以及传统的检测方法的弊端,介绍了当前无损检测的诸多光谱学方法(近红外光谱、可见光光谱、高光谱图像、荧光光谱)及电特性方法,介绍了一些数据预处理、特征提取、数学建模的算法,通过构建预测检测模型,解决了常见作物(水稻、玉米、生菜、油麦菜、桑叶、烟草)的营养元素、水分、农残等状况以及农产品(大米、红豆、鸡蛋)的品质的无损检测问题。通过模型衡量指标分析,表明模型的检测精度可达到实际应用的要求。
《光谱技术在农作物 农产品信息无损检测中的应用》目录

1概述 1

1.1农作物/农产品信息的光谱技术检测 1

1.1.1光谱技术在农作物检测中的应用 1

1.1.2光谱技术在农作物农药残留检测中的应用 4

1.2农作物/农产品信息的电特性技术检测 7

1.2.1介电特性技术在水果品质检测中的应用 8

1.2.2介电特性技术在粮食含水率检测中的应用 9

1.2.3介电特性在叶片含水率检测中的应用 9

参考文献 10

2光谱预处理算法 17

2.1 Savitzky-Golay多项式平滑 17

2.2移动平均平滑 17

2.3多元散射校正算法 17

2.4标准正态变量变换和去趋势算法 18

2.5导数变换算法 18

2.6正交信号校正算法 19

2.7小波阈值 19

2.8小波分段 19

参考文献 20

3光谱特征选取方法 21

3.1逐步回归分析 21

3.2连续投影算法 21

3.3权重回归系数法 21

3.4主成分分析 22

3.5竞争性自适应加权算法 22

3.6 LDA算法 22

3.7 LPP算法 22

3.8 SLPP算法 23

3.9离散小波变换 23

3.10分段离散小波变换 23

参考文献 24

4定性分析方法 26

4.1支持向量机 26

4.2 K最近邻分类器 26

4.3 Adaboost-SVM及Adaboost-KNN 26

4.4 MSCPSO-SVM 27

4.5极限学习机 28

4.6 Fisher判别分析 29

4.7马氏距离判别分析 30

参考文献 30

5定量分析方法 31

5.1一元回归算法 31

5.2多元线性回归 31

5.3 BP神经网络及改进算法 32

5.3.1 BP神经网络 32

5.3.2基于贝叶斯算法的BP网络 32

5.3.3基于L-M算法的BP网络 33

5.3.4遗传神经网络 33

5.3.5基于思维进化优化BP神经网络 34

5.3.6 PNN神经网络 34

5.3.7 GA-PNN神经网络 35

5.4支持向量机回归算法及其改进 35

5.4.1支持向量机回归算法 35

5.4.2 GA-LS-SVM算法 36

5.5 ABC-SVR 37

参考文献 38

6水稻信息检测 40

6.1样本培育 40

6.1.1栽培方法 40

6.1.2水稻光谱数据测定 41

6.1.3水稻叶片水分含量与氮素含量的测定 42

6.1.4特征光谱选取 44

6.2基于高光谱的水稻水分检测 45

6.2.1水稻叶片含水率与冠层反射光谱的关系 45

6.2.2水稻叶片含水率与叶片反射光谱的关系 58

6.2.3本节小结 63

6.3基于高光谱的水稻叶片氮素检测 63

6.3.1水稻叶片氮含量与冠层反射光谱的关系 63

6.3.2水稻叶片氮含量与叶片反射光谱的关系 75

6.3.3本节小结 79

参考文献 79

7生菜信息检测 80

7.1样本培育 80

7.1.1氮素营养液的配制 80

7.1.2样本的育苗移栽及施肥管理 81

7.1.3叶片样本采集 82

7.2生菜光谱数据测定 82

7.2.1光谱仪器的选定 82

7.2.2叶片光谱图像采集 83

7.3生菜叶片氮素含量、水分含量的测定 84

7.3.1叶片氮素含量测定 84

7.3.2叶片水分含量测定 85

7.4基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究 85

7.4.1光谱预处理 85

7.4.2特征提取 86

7.4.3生菜氮素水平KNN分类器建模研究 86

7.4.4生菜氮素水平SVM分类器建模研究 87

7.4.5生菜氮素水平Adaboost分类器建模研究 88

7.4.6本节小结 89

7.5基于高光谱图像及ELM的生菜叶片氮素水平丰缺定性分析 89

7.5.1光谱预处理 89

7.5.2特征提取 90

7.5.3生菜氮素水平SVM建模研究 91

7.5.4生菜氮素水平BP神经网络建模研究 91

7.5.5生菜氮素水平ELM建模研究 92

7.5.6本节小结 92

7.6基于高光谱图像的生菜叶片氮素含量预测 92

7.6.1叶片氮含量测定结果 92

7.6.2光谱预处理 93

7.6.3特征提取 94

7.6.4生菜氮含量PLSR建模研究 95

7.6.5本节小结 95

7.7基于遗传算法的生菜氮素水平特征优化选择 96

7.7.1图像采集与预处理 96

7.7.2图像特征提取及优化 97

7.7.3生菜氮素水平SVM建模分析 99

7.7.4本节小结 100

7.8基于MSCPSO混合核SVM参数优化的生菜品质检测 101

7.8.1数据源及图像获取 101

7.8.2图像特征提取及优化 101

7.8.3生菜氮素水平MSCPSO-SVM分类建模分析 101

7.8.4本节小结 103

7.9基于高光谱图像光谱与纹理信息的生菜氮素检测 104

7.9.1高光谱图像预处理 104

7.9.2图像特征提取 104

7.9.3生菜氮含量SVR建模分析 106

7.9.4本节小结 108

7.10基于有监督特征提取的生菜叶片农药残留浓度高光谱鉴别 109

7.10.1光谱预处理 109

7.10.2生菜农药残留浓度水平的SVM建模分析 110

7.10.3本节小结 111

7.11基于融合小波的高光谱生菜农药残留梯度鉴别研究 112

7.11.1光谱预处理 112

7.11.2特征提取 115

7.11.3生菜农药残留浓度水平的5VM建模分析 116

7.11.4本节小结 117

7.12基于分段离散小波变换及高光谱的生菜叶片农药残留梯度鉴别 117

7.12.1光谱预处理 117

7.12.2特征提取 118

7.12.3生菜农药残留浓度水平SVM建模分析 120

7.12.4本节小结 121

7.13基于线性判别法的生菜农药残留定性检测 122

7.13.1光谱预处理 122

7.13.2特征提取 123

7.13.3生菜农药残留浓度水平的线性判别建模分析 124

7.13.4本节小结 126

7.14基于荧光光谱的生菜农药残留检测 127

7.14.1光谱预处理 127

7.14.2特征提取 129

7.14.3生菜农药残留浓度水平的SVM建模分析 130

7.14.4本节小结 132

7.15基于高光谱图像的生菜叶片水分检测 133

7.15.1图像特征提取 133

7.15.2生菜水分含量MLR建模分析 134

7.15.3生菜水分含量BP神经网络建模分析 134

7.15.4生菜水分含量PLS-ANN建模分析 134

7.15.5本节小结 136

7.16基于光谱的生菜品种检测 137

7.16.1光谱预处理 137

7.16.2特征提取 137

7.16.3生菜品种SVM建模分析 138

7.16.4本节小结 139

参考文献 140

8桑叶信息检测 142

8.1桑叶农药残留定性检测 142

8.1.1桑叶试验样本制备 142

8.1.2桑叶高光谱图像的采集 142

8.1.3光谱曲线的分析 143

8.1.4桑叶光谱信息的预处理 144

8.1.5桑叶光谱特征波长选取 145

8.1.6 SVM分类建模 145

8.1.7 Ada-SVM分类建模 146

8.1.8本节小结 147

8.2桑叶农药残留定量检测 148

8.2.1桑叶定量检测试验样本制备 148

8.2.2高光谱图像的采集与标定 148

8.2.3农药残留的气相检测 148

8.2.4结果与分析 151

8.2.5本节小结 153

参考文献 154

9大米信息检测 155

9.1基于高光谱图像的大米品种检测 155

9.1.1高光谱提取与处理 155

9.1.2高光谱特征选择与特征提取 155

9.1.3建模分析 157

9.1.4本节小结 158

9.2基于高光谱图像的大米水分检测 159

9.2.1样本制备 159

9.2.2高光谱图像数据的采集 159

9.2.3感兴趣区域的提取 159

9.2.4数据预处理 160

9.2.5特征波长的选取 161

9.2.6预测模型 161

9.2.7结果分析 162

9.2.8本节小结 163

9.3基于高光谱图像的大米淀粉检测 163

9.3.1试验样本制备 163

9.3.2高光谱图像采集 164

9.3.3高光谱数据预处理 165

9.3.4高光谱数据特征波长选择 165

9.3.5基于全波长光谱的模型研究 166

9.3.6基于特征波长光谱的模型研究 166

9.3.7本节小结 167

参考文献 167

10鸡蛋信息检测 169

10.1基于电特性的鸡蛋品种鉴别 169

10.1.1材料与设备 169

10.1.2数据采集方法 170

10.1.3频率对介电特性的影响 171

10.1.4不同品种鸡蛋介电特性的差异 171

10.1.5 SVM分类模型 172

10.1.6本节小结 173

10.2基于电特性的鸡蛋品质检测 173

10.2.1试验材料 173

10.2.2试验方法 174

10.2.3数据信息采集 175

10.2.4频率对介电特性的影响 176

10.2.5新鲜度对介电特性的影响 177

10.2.6本节小结 179

参考文献 179

11红豆信息检测 181

11.1试验材料 181

11.1.1样本制备与高光谱图像采集 181

11.1.2高光谱图像的图像分割 181

11.2样本的光谱特征 182

11.3高光谱的特征选择和特征提取 183

11.3.1基于SPA的特征信息选择 183

11.3.2基于PCA的特征信息提取 183

11.3.3基于ICA的特征信息提取 184

11.4 PNN神经网络鉴别模型分析 185

11.5本章小结 186

参考文献 187

12烟草信息检测 188

12.1高光谱烟叶数据采集装置 188

12.2样品的制备及光谱数据采集 188

12.3水分的测定 189

12.4烟叶光谱预处理 190

12.4.1烟叶光谱数据预处理 190

12.4.2烟叶光谱样本预处理 191

12.5烟叶光谱MLR模型 194

12.6本章小结 195

参考文献 195

13玉米信息检测 197

13.1试验与数据采集 197

13.1.1仪器与设备 197

13.1.2试验材料 198

13.1.3试验方法与步骤 198

13.1.4介电常数计算 198

13.1.5湿基含水率的测量 199

13.2数据分析 199

13.3数学建模 199

13.3.1线性建模 199

13.3.2非线性建模 201

13.4本章小结 203

参考文献 204

14油麦菜信息检测 205

14.1样本采集与含水率测定 205

14.2光谱预处理 205

14.3特征提取 206

14.3.1 CARS特征提取 206

14.3.2 SR特征提取 207

14.3.3 SPA特征提取 208

14.4油麦菜水分含量SVR建模分析 209

14.5油麦菜水分含量ABC-SVR建模分析 210

14.6本章小结 211

参考文献 211

相关图书
作者其它书籍
返回顶部