光譜技術在農作物/農產品信息無損檢測中的套用

《光譜技術在農作物/農產品信息無損檢測中的套用》是2017年6月東南大學出版社出版的圖書，作者是孫俊。

基本介紹

• 中文名：光譜技術在農作物/農產品信息無損檢測中的套用
• 作者：孫俊
• 出版社：東南大學出版社
• 出版時間：2017年6月
• 定價：50 元
• 開本：16 開
• ISBN：9787564171698

內容簡介

本專著系統地介紹了光譜技術及其預處理算法、特徵選取方法，並在此基礎上，分析了國內外的最新研究進展，重點展示了光譜等技術在農業上的套用情況。本專著是多個國家自然科學基金項目、省自然科學基金項目、農業部重點實驗室開放課題研究成果的展現，實現了理論與套用的結合。本專著共包含14章，其中第1章概述介紹了光譜技術在農作物/農產品信息檢測中套用的現狀；第2章至第5章介紹了光譜預處理算法、光譜特徵選取方法及定性、定量分析方法；第6章至第14章分別介紹了光譜技術在水稻、生菜、桑葉、大米、雞蛋、紅豆、菸草、玉米、油麥菜等農作物/農產品對象信息檢測中的套用實例。

本專著所涉及的光譜包括可見光光譜、近紅外光譜、螢光光譜等，共包含14章，其中第1章概述介紹了光譜技術在農作物/農產品信息檢測中套用的現狀；第2章～第5章介紹了光譜預處理算法、光譜特徵選取方法及定性、定量分析建模方法；第6章～第14章分別介紹了光譜技術在水稻、生菜、桑葉、大米、雞蛋、紅豆、菸草、玉米、油麥菜等農作物/農產品對象信息檢測中的套用實例。

目錄

1概述(1)

1.1農作物/農產品信息的光譜技術檢測(1)

1.1.1光譜技術在農作物檢測中的套用(1)

1.1.2光譜技術在農作物農藥殘留檢測中的套用(4)

1.2農作物/農產品信息的電特性技術檢測(7)

1.2.1介電特性技術在水果品質檢測中的套用(8)

1.2.2介電特性技術在糧食含水率檢測中的套用(9)

1.2.3介電特性在葉片含水率檢測中的套用(9)

參考文獻(10)

2光譜預處理算法(17)

2.1SavitzkyGolay多項式平滑(17)

2.2移動平均平滑(17)

2.3多元散射校正算法(17)

2.4標準正態變數變換和去趨勢算法(18)

2.5導數變換算法(18)

2.6正交信號校正算法(19)

2.7小波閾值(19)

2.8小波分段(19)

參考文獻(20)

3光譜特徵選取方法(21)

3.1逐步回歸分析(21)

3.2連續投影算法(21)

3.3權重回歸係數法(21)

3.4主成分分析(22)

3.5競爭性自適應加權算法(22)

3.6LDA算法(22)

3.7LPP算法(22)

3.8SLPP算法(23)

3.9離散小波變換(23)

3.10分段離散小波變換(23)

參考文獻(24)

4定性分析方法(26)

4.1支持向量機(26)

4.2K最近鄰分類器(26)

4.3AdaboostSVM及AdaboostKNN(26)

4.4MSCPSOSVM(27)

4.5極限學習機(28)

4.6Fisher判別分析(29)

4.7馬氏距離判別分析(30)

參考文獻(30)

5定量分析方法(31)

5.1一元回歸算法(31)

5.2多元線性回歸(31)

5.3BP神經網路及改進算法(32)

5.3.1BP神經網路(32)

5.3.2基於貝葉斯算法的BP網路(32)

5.3.3基於LM算法的BP網路(33)

5.3.4遺傳神經網路(33)

5.3.5基於思維進化最佳化BP神經網路(34)

5.3.6PNN神經網路(34)

5.3.7GAPNN神經網路(35)

5.4支持向量機回歸算法及其改進(35)

5.4.1支持向量機回歸算法(35)

5.4.2GALSSVM算法(36)

5.5ABCSVR(37)

參考文獻(38)

6水稻信息檢測(40)

6.1樣本培育(40)

6.1.1栽培方法(40)

6.1.2水稻光譜數據測定(41)

6.1.3水稻葉片水分含量與氮素含量的測定(42)

6.1.4特徵光譜選取(44)

6.2基於高光譜的水稻水分檢測(45)

6.2.1水稻葉片含水率與冠層反射光譜的關係(45)

6.2.2水稻葉片含水率與葉片反射光譜的關係(58)

6.2.3本節小結(63)

6.3基於高光譜的水稻葉片氮素檢測(63)

6.3.1水稻葉片氮含量與冠層反射光譜的關係(63)

6.3.2水稻葉片氮含量與葉片反射光譜的關係(75)

6.3.3本節小結(79)

參考文獻(79)

7生菜信息檢測(80)

7.1樣本培育(80)

7.1.1氮素營養液的配製(80)

7.1.2樣本的育苗移栽及施肥管理(81)

7.1.3葉片樣本採集(82)

7.2生菜光譜數據測定(82)

7.2.1光譜儀器的選定(82)

7.2.2葉片光譜圖像採集(83)

7.3生菜葉片氮素含量、水分含量的測定(84)

7.3.1葉片氮素含量測定(84)

7.3.2葉片水分含量測定(85)

7.4基於Adaboost及高光譜的生菜葉片氮素水平鑑別研究(85)

7.4.1光譜預處理(85)

7.4.2特徵提取(86)

7.4.3生菜氮素水平KNN分類器建模研究(86)

7.4.4生菜氮素水平SVM分類器建模研究(87)

7.4.5生菜氮素水平Adaboost分類器建模研究(88)

7.4.6本節小結(89)

7.5基於高光譜圖像及ELM的生菜葉片氮素水平豐缺定性分析(89)

7.5.1光譜預處理(89)

7.5.2特徵提取(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神經網路建模研究(91)

7.5.5生菜氮素水平ELM建模研究(92)

7.5.6本節小結(92)

7.6基於高光譜圖像的生菜葉片氮素含量預測(92)

7.6.1葉片氮含量測定結果(92)

7.6.2光譜預處理(93)

7.6.3特徵提取(94)

7.6.4生菜氮含量PLSR建模研究(95)

7.6.5本節小結(95)

7.7基於遺傳算法的生菜氮素水平特徵最佳化選擇(96)

7.7.1圖像採集與預處理(96)

7.7.2圖像特徵提取及最佳化(97)

7.7.3生菜氮素水平SVM建模分析(99)

7.7.4本節小結(100)

7.8基於MSCPSO混合核SVM參數最佳化的生菜品質檢測(101)

7.8.1數據源及圖像獲取(101)

7.8.2圖像特徵提取及最佳化(101)

7.8.3生菜氮素水平MSCPSOSVM分類建模分析(101)

7.8.4本節小結(103)

7.9基於高光譜圖像光譜與紋理信息的生菜氮素檢測(104)

7.9.1高光譜圖像預處理(104)

7.9.2圖像特徵提取(104)

7.9.3生菜氮含量SVR建模分析(106)

7.9.4本節小結(108)

7.10基於有監督特徵提取的生菜葉片農藥殘留濃度高光譜鑑別(109)

7.10.1光譜預處理(109)

7.10.2生菜農藥殘留濃度水平的SVM建模分析(110)

7.10.3本節小結(111)

7.11基於融合小波的高光譜生菜農藥殘留梯度鑑別研究(112)

7.11.1光譜預處理(112)

7.11.2特徵提取(115)

7.11.3生菜農藥殘留濃度水平的SVM建模分析(116)

7.11.4本節小結(117)

7.12基於分段離散小波變換及高光譜的生菜葉片農藥殘留梯度鑑別(117)

7.12.1光譜預處理(117)

7.12.2特徵提取(118)

7.12.3生菜農藥殘留濃度水平SVM建模分析(120)

7.12.4本節小結(121)

7.13基於線性判別法的生菜農藥殘留定性檢測(122)

7.13.1光譜預處理(122)

7.13.2特徵提取(123)

7.13.3生菜農藥殘留濃度水平的線性判別建模分析(124)

7.13.4本節小結(126)

7.14基於螢光光譜的生菜農藥殘留檢測(127)

7.14.1光譜預處理(127)

7.14.2特徵提取(129)

7.14.3生菜農藥殘留濃度水平的SVM建模分析(130)

7.14.4本節小結(132)

7.15基於高光譜圖像的生菜葉片水分檢測(133)

7.15.1圖像特徵提取(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神經網路建模分析(134)

7.15.4生菜水分含量PLSANN建模分析(134)

7.15.5本節小結(136)

7.16基於光譜的生菜品種檢測(137)

7.16.1光譜預處理(137)

7.16.2特徵提取(137)

7.16.3生菜品種SVM建模分析(138)

7.16.4本節小結(139)

參考文獻(140)

8桑葉信息檢測(142)

8.1桑葉農藥殘留定性檢測(142)

8.1.1桑葉試驗樣本製備(142)

8.1.2桑葉高光譜圖像的採集(142)

8.1.3光譜曲線的分析(143)

8.1.4桑葉光譜信息的預處理(144)

8.1.5桑葉光譜特徵波長選取(145)

8.1.6SVM分類建模(145)

8.1.7AdaSVM分類建模(146)

8.1.8本節小結(147)

8.2桑葉農藥殘留定量檢測(148)

8.2.1桑葉定量檢測試驗樣本製備(148)

8.2.2高光譜圖像的採集與標定(148)

8.2.3農藥殘留的氣相檢測(148)

8.2.4結果與分析(151)

8.2.5本節小結(153)

參考文獻(154)

9大米信息檢測(155)

9.1基於高光譜圖像的大米品種檢測(155)

9.1.1高光譜提取與處理(155)

9.1.2高光譜特徵選擇與特徵提取(155)

9.1.3建模分析(157)

9.1.4本節小結(158)

9.2基於高光譜圖像的大米水分檢測(159)

9.2.1樣本製備(159)

9.2.2高光譜圖像數據的採集(159)

9.2.3感興趣區域的提取(159)

9.2.4數據預處理(160)

9.2.5特徵波長的選取(161)

9.2.6預測模型(161)

9.2.7結果分析(162)

9.2.8本節小結(163)

9.3基於高光譜圖像的大米澱粉檢測(163)

9.3.1試驗樣本製備(163)

9.3.2高光譜圖像採集(164)

9.3.3高光譜數據預處理(165)

9.3.4高光譜數據特徵波長選擇(165)

9.3.5基於全波長光譜的模型研究(166)

9.3.6基於特徵波長光譜的模型研究(166)

9.3.7本節小結(167)

參考文獻(167)

10雞蛋信息檢測(169)

10.1基於電特性的雞蛋品種鑑別(169)

10.1.1材料與設備(169)

10.1.2數據採集方法(170)

10.1.3頻率對介電特性的影響(171)

10.1.4不同品種雞蛋介電特性的差異(171)

10.1.5SVM分類模型(172)

10.1.6本節小結(173)

10.2基於電特性的雞蛋品質檢測(173)

10.2.1試驗材料(173)

10.2.2試驗方法(174)

10.2.3數據信息採集(175)

10.2.4頻率對介電特性的影響(176)

10.2.5新鮮度對介電特性的影響(177)

10.2.6本節小結(179)

參考文獻(179)

11紅豆信息檢測(181)

11.1試驗材料(181)

11.1.1樣本製備與高光譜圖像採集(181)

11.1.2高光譜圖像的圖像分割(181)

11.2樣本的光譜特徵(182)

11.3高光譜的特徵選擇和特徵提取(183)

11.3.1基於SPA的特徵信息選擇(183)

11.3.2基於PCA的特徵信息提取(183)

11.3.3基於ICA的特徵信息提取(184)

11.4PNN神經網路鑑別模型分析(185)

11.5本章小結(186)

參考文獻(187)

12菸草信息檢測(188)

12.1高光譜菸葉數據採集裝置(188)

12.2樣品的製備及光譜數據採集(188)

12.3水分的測定(189)

12.4菸葉光譜預處理(190)

12.4.1菸葉光譜數據預處理(190)

12.4.2菸葉光譜樣本預處理(191)

12.5菸葉光譜MLR模型(194)

12.6本章小結(195)

參考文獻(195)

13玉米信息檢測(197)

13.1試驗與數據採集(197)

13.1.1儀器與設備(197)

13.1.2試驗材料(198)

13.1.3試驗方法與步驟(198)

13.1.4介電常數計算(198)

13.1.5濕基含水率的測量(199)

13.2數據分析(199)

13.3數學建模(199)

13.3.1線性建模(199)

13.3.2非線性建模(201)

13.4本章小結(203)

參考文獻(204)

14油麥菜信息檢測(205)

14.1樣本採集與含水率測定(205)

14.2光譜預處理(205)

14.3特徵提取(206)

14.3.1CARS特徵提取(206)

14.3.2SR特徵提取(207)

14.3.3SPA特徵提取(208)

14.4油麥菜水分含量SVR建模分析(209)

14.5油麥菜水分含量ABCSVR建模分析(210)

14.6本章小結(211)

參考文獻(211)