天堂网站WAS啪啪免费观看-欧美不卡一卡2卡三卡4卡-中日av乱码一区二区三区乱码-国产精品第一区揄拍

 
     
     
     
光譜技術(shù)在農(nóng)作物/農(nóng)產(chǎn)品信息無損檢測中的應(yīng)用

開本：16

出版日期：2017年6月

圖書書號：9787564171698

出版社：東南大學(xué)出版社

作者：孫俊

版次：1/1

印張：14

字?jǐn)?shù)：296千

紙質(zhì)書購買：點(diǎn)擊進(jìn)入

上架時(shí)間：2017-06-14

圖書點(diǎn)擊數(shù)：2967
價(jià)格：￥50元
 

相關(guān)介紹

1.內(nèi)容簡介

本專著系統(tǒng)地介紹了光譜技術(shù)及其預(yù)處理算法、特征選取方法，并在此基礎(chǔ)上，分析了國內(nèi)外的最新研究進(jìn)展，重點(diǎn)展示了光譜等技術(shù)在農(nóng)業(yè)上的應(yīng)用情況。本專著是多個(gè)國家自然科學(xué)基金項(xiàng)目、省自然科學(xué)基金項(xiàng)目、農(nóng)業(yè)部重點(diǎn)實(shí)驗(yàn)室開放課題研究成果的展現(xiàn)，實(shí)現(xiàn)了理論與應(yīng)用的結(jié)合。本專著共包含14章，其中第1章概述介紹了光譜技術(shù)在農(nóng)作物/農(nóng)產(chǎn)品信息檢測中應(yīng)用的現(xiàn)狀；第2章至第5章介紹了光譜預(yù)處理算法、光譜特征選取方法及定性、定量分析方法；第6章至第14章分別介紹了光譜技術(shù)在水稻、生菜、桑葉、大米、雞蛋、紅豆、煙草、玉米、油麥菜等農(nóng)作物/農(nóng)產(chǎn)品對象信息檢測中的應(yīng)用實(shí)例。

2.前言

隨著科學(xué)技術(shù)的發(fā)展，光譜技術(shù)已經(jīng)成為當(dāng)前的一項(xiàng)高新技術(shù)。伴隨光譜分析儀器的日益更新，光譜分析處理技術(shù)的快速發(fā)展，光譜技術(shù)的應(yīng)用也越來越廣，并得到了廣大學(xué)者和研究人員的關(guān)注。
本專著所涉及的光譜包括可見光光譜、近紅外光譜、熒光光譜等，共包含14章，其中第1章概述介紹了光譜技術(shù)在農(nóng)作物/農(nóng)產(chǎn)品信息檢測中應(yīng)用的現(xiàn)狀；第2章～第5章介紹了光譜預(yù)處理算法、光譜特征選取方法及定性、定量分析建模方法；第6章～第14章分別介紹了光譜技術(shù)在水稻、生菜、桑葉、大米、雞蛋、紅豆、煙草、玉米、油麥菜等農(nóng)作物/農(nóng)產(chǎn)品對象信息檢測中的應(yīng)用實(shí)例。
本專著大部分內(nèi)容是我們科研團(tuán)隊(duì)在多個(gè)國家自然科學(xué)基金項(xiàng)目、省自然科學(xué)基金項(xiàng)目、農(nóng)業(yè)部重點(diǎn)實(shí)驗(yàn)室開放課題資助下取得的研究成果，涉及的領(lǐng)域包括農(nóng)作物品種及內(nèi)部信息檢測、農(nóng)產(chǎn)品品種及品質(zhì)檢測等。
本專著是課題組多年研究成果的積累，感謝毛罕平教授一直以來對課題組科研工作的指導(dǎo)與幫助，感謝張曉東、武小紅、倪紀(jì)恒、李青林、羊一清、楊寧、朱文靜等老師的合作支持，感謝金夏明、董梁、張梅霞、王艷、衛(wèi)愛國、蔣淑英、張國坤、周鑫、劉彬、路心資、叢孫麗、唐凱等研究生對相關(guān)課題研究及本書撰寫所做的貢獻(xiàn)。
鑒于信息技術(shù)特別是光譜技術(shù)發(fā)展快速，信息知識更新較快，作者及課題組所掌握的專業(yè)技術(shù)、知識會存在一定的局限，本專著中的內(nèi)容難免存在不足之處，敬請各位專家、同行、讀者批評指正，在此，對各位的大力支持深表謝意。
編者

2017年2月

3.目錄

1概述(1)
1.1農(nóng)作物/農(nóng)產(chǎn)品信息的光譜技術(shù)檢測(1)
1.1.1光譜技術(shù)在農(nóng)作物檢測中的應(yīng)用(1)
1.1.2光譜技術(shù)在農(nóng)作物農(nóng)藥殘留檢測中的應(yīng)用(4)
1.2農(nóng)作物/農(nóng)產(chǎn)品信息的電特性技術(shù)檢測(7)
1.2.1介電特性技術(shù)在水果品質(zhì)檢測中的應(yīng)用(8)
1.2.2介電特性技術(shù)在糧食含水率檢測中的應(yīng)用(9)
1.2.3介電特性在葉片含水率檢測中的應(yīng)用(9)
參考文獻(xiàn)(10)
2光譜預(yù)處理算法(17)
2.1SavitzkyGolay多項(xiàng)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(biāo)準(zhǔn)正態(tài)變量變換和去趨勢算法(18)
2.5導(dǎo)數(shù)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(xiàn)(20)
3光譜特征選取方法(21)
3.1逐步回歸分析(21)
3.2連續(xù)投影算法(21)
3.3權(quán)重回歸系數(shù)法(21)
3.4主成分分析(22)
3.5競爭性自適應(yīng)加權(quán)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(xiàn)(24)
4定性分析方法(26)
4.1支持向量機(jī)(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(xué)習(xí)機(jī)(28)
4.6Fisher判別分析(29)
4.7馬氏距離判別分析(30)
參考文獻(xiàn)(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(jīng)網(wǎng)絡(luò)及改進(jìn)算法(32)
5.3.1BP神經(jīng)網(wǎng)絡(luò)(32)
5.3.2基于貝葉斯算法的BP網(wǎng)絡(luò)(32)
5.3.3基于LM算法的BP網(wǎng)絡(luò)(33)
5.3.4遺傳神經(jīng)網(wǎng)絡(luò)(33)
5.3.5基于思維進(jìn)化優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(34)
5.3.6PNN神經(jīng)網(wǎng)絡(luò)(34)
5.3.7GAPNN神經(jīng)網(wǎng)絡(luò)(35)
5.4支持向量機(jī)回歸算法及其改進(jìn)(35)
5.4.1支持向量機(jī)回歸算法(35)
5.4.2GALSSVM算法(36)
5.5ABCSVR(37)
參考文獻(xiàn)(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(shù)據(jù)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特征光譜選取(44)
6.2基于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(guān)系(45)
6.2.2水稻葉片含水率與葉片反射光譜的關(guān)系(58)
6.2.3本節(jié)小結(jié)(63)
6.3基于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(guān)系(63)
6.3.2水稻葉片氮含量與葉片反射光譜的關(guān)系(75)
6.3.3本節(jié)小結(jié)(79)
參考文獻(xiàn)(79)
7生菜信息檢測(80)
7.1樣本培育(80)
7.1.1氮素營養(yǎng)液的配制(80)
7.1.2樣本的育苗移栽及施肥管理(81)
7.1.3葉片樣本采集(82)
7.2生菜光譜數(shù)據(jù)測定(82)
7.2.1光譜儀器的選定(82)
7.2.2葉片光譜圖像采集(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基于Adaboost及高光譜的生菜葉片氮素水平鑒別研究(85)
7.4.1光譜預(yù)處理(85)
7.4.2特征提取(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(jié)小結(jié)(89)
7.5基于高光譜圖像及ELM的生菜葉片氮素水平豐缺定性分析(89)
7.5.1光譜預(yù)處理(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神經(jīng)網(wǎng)絡(luò)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(jié)小結(jié)(92)
7.6基于高光譜圖像的生菜葉片氮素含量預(yù)測(92)
7.6.1葉片氮含量測定結(jié)果(92)
7.6.2光譜預(yù)處理(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本節(jié)小結(jié)(95)
7.7基于遺傳算法的生菜氮素水平特征優(yōu)化選擇(96)
7.7.1圖像采集與預(yù)處理(96)
7.7.2圖像特征提取及優(yōu)化(97)
7.7.3生菜氮素水平SVM建模分析(99)
7.7.4本節(jié)小結(jié)(100)
7.8基于MSCPSO混合核SVM參數(shù)優(yōu)化的生菜品質(zhì)檢測(101)
7.8.1數(shù)據(jù)源及圖像獲取(101)
7.8.2圖像特征提取及優(yōu)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(jié)小結(jié)(103)
7.9基于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(yù)處理(104)
7.9.2圖像特征提取(104)
7.9.3生菜氮含量SVR建模分析(106)
7.9.4本節(jié)小結(jié)(108)
7.10基于有監(jiān)督特征提取的生菜葉片農(nóng)藥殘留濃度高光譜鑒別(109)
7.10.1光譜預(yù)處理(109)
7.10.2生菜農(nóng)藥殘留濃度水平的SVM建模分析(110)
7.10.3本節(jié)小結(jié)(111)
7.11基于融合小波的高光譜生菜農(nóng)藥殘留梯度鑒別研究(112)
7.11.1光譜預(yù)處理(112)
7.11.2特征提取(115)
7.11.3生菜農(nóng)藥殘留濃度水平的SVM建模分析(116)
7.11.4本節(jié)小結(jié)(117)
7.12基于分段離散小波變換及高光譜的生菜葉片農(nóng)藥殘留梯度鑒別(117)
7.12.1光譜預(yù)處理(117)
7.12.2特征提取(118)
7.12.3生菜農(nóng)藥殘留濃度水平SVM建模分析(120)
7.12.4本節(jié)小結(jié)(121)
7.13基于線性判別法的生菜農(nóng)藥殘留定性檢測(122)
7.13.1光譜預(yù)處理(122)
7.13.2特征提取(123)
7.13.3生菜農(nóng)藥殘留濃度水平的線性判別建模分析(124)
7.13.4本節(jié)小結(jié)(126)
7.14基于熒光光譜的生菜農(nóng)藥殘留檢測(127)
7.14.1光譜預(yù)處理(127)
7.14.2特征提取(129)
7.14.3生菜農(nóng)藥殘留濃度水平的SVM建模分析(130)
7.14.4本節(jié)小結(jié)(132)
7.15基于高光譜圖像的生菜葉片水分檢測(133)
7.15.1圖像特征提取(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神經(jīng)網(wǎng)絡(luò)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(jié)小結(jié)(136)
7.16基于光譜的生菜品種檢測(137)
7.16.1光譜預(yù)處理(137)
7.16.2特征提取(137)
7.16.3生菜品種SVM建模分析(138)
7.16.4本節(jié)小結(jié)(139)
參考文獻(xiàn)(140)
8桑葉信息檢測(142)
8.1桑葉農(nóng)藥殘留定性檢測(142)
8.1.1桑葉試驗(yàn)樣本制備(142)
8.1.2桑葉高光譜圖像的采集(142)
8.1.3光譜曲線的分析(143)
8.1.4桑葉光譜信息的預(yù)處理(144)
8.1.5桑葉光譜特征波長選取(145)
8.1.6SVM分類建模(145)
8.1.7AdaSVM分類建模(146)
8.1.8本節(jié)小結(jié)(147)
8.2桑葉農(nóng)藥殘留定量檢測(148)
8.2.1桑葉定量檢測試驗(yàn)樣本制備(148)
8.2.2高光譜圖像的采集與標(biāo)定(148)
8.2.3農(nóng)藥殘留的氣相檢測(148)
8.2.4結(jié)果與分析(151)
8.2.5本節(jié)小結(jié)(153)
參考文獻(xiàn)(154)
9大米信息檢測(155)
9.1基于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高光譜特征選擇與特征提取(155)
9.1.3建模分析(157)
9.1.4本節(jié)小結(jié)(158)
9.2基于高光譜圖像的大米水分檢測(159)
9.2.1樣本制備(159)
9.2.2高光譜圖像數(shù)據(jù)的采集(159)
9.2.3感興趣區(qū)域的提取(159)
9.2.4數(shù)據(jù)預(yù)處理(160)
9.2.5特征波長的選取(161)
9.2.6預(yù)測模型(161)
9.2.7結(jié)果分析(162)
9.2.8本節(jié)小結(jié)(163)
9.3基于高光譜圖像的大米淀粉檢測(163)
9.3.1試驗(yàn)樣本制備(163)
9.3.2高光譜圖像采集(164)
9.3.3高光譜數(shù)據(jù)預(yù)處理(165)
9.3.4高光譜數(shù)據(jù)特征波長選擇(165)
9.3.5基于全波長光譜的模型研究(166)
9.3.6基于特征波長光譜的模型研究(166)
9.3.7本節(jié)小結(jié)(167)
參考文獻(xiàn)(167)
10雞蛋信息檢測(169)
10.1基于電特性的雞蛋品種鑒別(169)
10.1.1材料與設(shè)備(169)
10.1.2數(shù)據(jù)采集方法(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(jié)小結(jié)(173)
10.2基于電特性的雞蛋品質(zhì)檢測(173)
10.2.1試驗(yàn)材料(173)
10.2.2試驗(yàn)方法(174)
10.2.3數(shù)據(jù)信息采集(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(jié)小結(jié)(179)
參考文獻(xiàn)(179)
11紅豆信息檢測(181)
11.1試驗(yàn)材料(181)
11.1.1樣本制備與高光譜圖像采集(181)
11.1.2高光譜圖像的圖像分割(181)
11.2樣本的光譜特征(182)
11.3高光譜的特征選擇和特征提取(183)
11.3.1基于SPA的特征信息選擇(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)
11.4PNN神經(jīng)網(wǎng)絡(luò)鑒別模型分析(185)
11.5本章小結(jié)(186)
參考文獻(xiàn)(187)
12煙草信息檢測(188)
12.1高光譜煙葉數(shù)據(jù)采集裝置(188)
12.2樣品的制備及光譜數(shù)據(jù)采集(188)
12.3水分的測定(189)
12.4煙葉光譜預(yù)處理(190)
12.4.1煙葉光譜數(shù)據(jù)預(yù)處理(190)
12.4.2煙葉光譜樣本預(yù)處理(191)
12.5煙葉光譜MLR模型(194)
12.6本章小結(jié)(195)
參考文獻(xiàn)(195)
13玉米信息檢測(197)
13.1試驗(yàn)與數(shù)據(jù)采集(197)
13.1.1儀器與設(shè)備(197)
13.1.2試驗(yàn)材料(198)
13.1.3試驗(yàn)方法與步驟(198)
13.1.4介電常數(shù)計(jì)算(198)
13.1.5濕基含水率的測量(199)
13.2數(shù)據(jù)分析(199)
13.3數(shù)學(xué)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(jié)(203)
參考文獻(xiàn)(204)
14油麥菜信息檢測(205)
14.1樣本采集與含水率測定(205)
14.2光譜預(yù)處理(205)
14.3特征提取(206)
14.3.1CARS特征提取(206)
14.3.2SR特征提取(207)
14.3.3SPA特征提取(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(jié)(211)
參考文獻(xiàn)(211)

精品新書

 
 
進(jìn)入編輯狀態(tài)