导读:本文包含了高光谱成像论文开题报告文献综述及选题提纲参考文献，主要关键词:进口冰鲜牛肉,新鲜度特征指标,高光谱成像,快速检测
高光谱成像论文文献综述
王天真,孙宗保,邹小波,闫晓静,梁黎明[1]（2019）在《基于高光谱成像技术的进口冰鲜牛肉新鲜度指标检测》一文中研究指出进口牛肉市场上存在不法商贩将次鲜肉冒充新鲜肉售卖。本文通过高光谱成像技术对不同储藏时间的冰鲜牛肉品质进行检测。首先测定不同储藏时间冰鲜牛肉的挥发性盐基氮(TVB-N)、颜色(L*、a*、b*)、脱氧肌红蛋白(DMb)、氧合肌红蛋白(OMb)和高铁肌红蛋白(MMb)含量,通过显着性和相关性分析选取新鲜度特征指标。然后采集样本的高光谱图像,提取光谱数据后采用不同的预处理方式进行处理。利用光谱数据结合预测模型(偏最小二乘(PLS)、区间偏最小二乘方法(iPLS)和竞争性自适应重加权算法-偏最小二乘(CARS-PLS))对特征指标含量进行预测,并比较不同预测模型的效果。结果表明,通过统计学方法选取了TVB-N、a*和b*作为不同储藏时间冰鲜牛肉的新鲜度特征指标。对这叁个指标进行预测时,最佳模型均为CARS-PLS,模型的r_(cv)分别为0.9658、0.9495、0.9642,RMSECV分别为1.06 mg/100g、0.71、0.76;r_p分别为0.9637、0.9494、0.9423,RMSEP分别为1.12 mg/100g、0.72、0.77。研究表明利用高光谱技术可以实现进口冰鲜牛肉的新鲜度指标快速无损检测。(本文来源于《中国食品科学技术学会第十六届年会暨第十届中美食品业高层论坛论文摘要集》期刊2019-11-13）
孟海洋,赵森,杨志超[2]（2019）在《基于高光谱成像技术下的物证鉴定领域的研究综述》一文中研究指出在物证鉴定的研究中,高光谱成像技术作为一种新型的物证鉴别技术,相较于紫外-可见荧光光谱、拉曼光谱等鉴别方法,具有高效、快速、无损的优点。通过综合比较各类检验方式与高光谱成像技术,进一步加强了对高光谱成像技术的认识与了解。高光谱成像是通过高光谱仪器设备对被检测物体在连续多个离散波段下扫描获得一个综合图像,同时记录物证的光谱信息和图像信息的技术。在物证鉴定中,通常借助其图像数据的完整性结合各类数据算法,对物证检材进行分析鉴别。(本文来源于《科教文汇(上旬刊)》期刊2019年11期）
王天鹤,刘舒扬,张晨,贾晓东[3]（2019）在《基于高光谱成像芯片中布拉格反射镜的设计和制备》一文中研究指出针对传统高光谱成像系统体积质量大、光机结构复杂、成本高等缺点,亟待微小型化的需求,开展高光谱成像芯片中布拉格反射镜设计和制备的研究,根据布拉格分布膜系理论开发的多层膜系结构的模拟器,并根据结构设计完成了5层和7层膜系布拉格反射镜的制作,利用可见/近红外分光光度计,对布拉格反射镜的反射率进行测量,与模拟器进行对比,由于布拉格镜的实际制备存在"瑕疵",导致误差≤3%,多层膜系结构模拟器可以指导实际布拉格反射镜的制备,为高光谱成像芯片化奠定基础。(本文来源于《红外与激光工程》期刊2019年10期）
宗婧,卜汉萍,陈达,陈晓宇,鲍蕾[4]（2019）在《基于拉曼高光谱成像的乳粉真伪非定向筛查新方法研究》一文中研究指出乳粉真伪问题是我国食品安全的突出问题之一,其非定向筛查是分析科学领域的前沿热点。该研究提出一种稳健建模驱动的拉曼高光谱成像方法(RMD-RHIM),借助其图谱合一的数据特征,将乳粉中未知掺杂物识别问题转化为奇异样本识别问题,有效解决了乳粉中掺杂物的不确定性问题。在RMD-RHIM中,首先采用自适应迭代重加权惩罚最小二乘算法(airPLS)扣除拉曼光谱的背景信息,再通过改进迭代自权重偏最小二乘法(mIRPLS)准确识别乳粉拉曼高光谱成像信号中的畸变像素点,并转化为可视化的二值图像,实现了乳粉真伪的非定向筛查。结果表明,RMD-RHIM方法对阳性和阴性样品的识别率分别达到了98.3%和93.3%,可满足乳粉工业快速筛查的需求,并为其它食品样本的非定向筛查提供了一种新手段。(本文来源于《分析测试学报》期刊2019年10期）
李勋兰,王武,农江飞,韩国辉,刘剑飞[5]（2019）在《基于高光谱成像的桑葚花青素含量预测》一文中研究指出花青素含量是评价桑葚果实品质的主要测定指标。目前果实花青素含量测定主要是分光光度法和高效液相法,但都需要对果实进行破碎以及花青素浸提,过程步骤繁琐,耗时长且所需化学试剂量大。本研究旨在建立一种快速无损且精确的桑葚花青素检测新方法。以桑葚品种‘大十’和‘四季果桑’为研究对象,根据果实着色程度由浅到深进行取样,共获得样品120份,每个品种60份。利用高光谱采集系统获得桑葚高光谱图像,采用双波段阈值法对桑葚高光谱图像进行感兴趣区域选择,提取该区域光谱信息平均值作为该样本的光谱信息。采集高光谱图像后马上进行花青素含量测定(pH示差法)。采用X-Y共生距离(SPXY)法按照3︰2比例划分校正集和预测集,选用标准正态化(SNV)对原始数据进行预处理,然后分别采用间隔偏最小二乘法(iPLS)、组合区间偏最小二乘法(siPLS)和连续投影算法(SPA)进行特征波长的筛选,最后利用提取得到的特征波长和全波长对应的光谱信息作为模型输入,采用偏最小二乘法(PLS)和最小二乘支持向量机(LS-SVM)算法结合所测定的桑葚花青素含量数据建立花青素预测模型。利用SPA算法提取的特征波长(506.46、602.72、657.90、678.52、691.24、716.75、737.54、769.62、893.93、927.98、940.96、952.31、965.29、984.76和994.5 nm)所对应光谱信息作为输入变量建立的LS-SVM模型y(X)=+b(αi为拉格朗日乘子,Xi为输入值,K(X,Xi)为核函数,b为偏差量),对桑葚果实花青素含量的预测精度最高,其校正集决定系数R2C和验证集相关系数R2V分别达到0.97和0.94,校正集误差均方根RMSEC和预测集误差均方根RMSEp分别为0.21和0.31,研究结果表明,应用高光谱成像技术结合化学计量学预测桑葚花青素含量是可行的,研究结果可为桑葚智能筛选以及品质监测提供一种可靠手段。(本文来源于《中国园艺学会2019年学术年会暨成立90周年纪念大会论文摘要集》期刊2019-10-21）
辛世华,韩小珍,王彩霞[6]（2019）在《基于高光谱成像技术对牛肉品种判别的研究》一文中研究指出利用可见/近红外高光谱(400 nm～1 000 nm)成像技术实现对荷斯坦奶牛、秦川牛、西门塔尔牛、安格斯牛、力木赞牛5个品种牛肉进行快速无损判别。首先对原始光谱进行预处理,并利用光谱-理化值共生距离法(sample set partitioning based on joint X-Y distance,SPXY)法划分样本集;结合偏最小二乘判别模型(partial least squaresdiscrimination analysis,PLS-DA),K最近邻(K-nearest neighbor,KNN)模型和径向基函数-支持向量机(radial basis function-support vector machine,RBF-SVM)模型进行全波段及特征波段判别分析。结果表明,一阶导数(first derivative,FD)法为最优预处理方法;基于RBF-SVM法所建模型的校正集与预测集准确率分别为100%、99%。可见,基于高光谱成像技术能够获得较好的牛肉品种判别效果。(本文来源于《食品研究与开发》期刊2019年20期）
高睿,李泽东,马铮,孔庆明,Muhammad,Rizwan[7]（2019）在《基于高光谱成像的牧草粗蛋白含量检测研究》一文中研究指出粗蛋白(CP)是评价牧草营养价值和品质参数的关键指标。快速、准确地对牧草中粗蛋白含量进行评估在畜牧业生产研究中具有重要意义。为确定牧草粗蛋白含量的高光谱特征波段及最优检测模型,研究分别于2017年5月至9月间在黑龙江省杜尔伯特自治区的人工牧草场(羊草)内每月随机选取35个样本, 5个月共采集175个样本。采样时在样本点处放置1 m×1 m的样方,将样方内所有牧草全部齐地面收割采集后称重并冷藏保存。将样本带回实验室后,立即进行牧草叶片高光谱图像采集,同时采用凯氏定氮法对采集的牧草样本进行粗蛋白化学值测定,以此建立牧草粗蛋白含量高光谱数据集。研究首先通过Savitzky-Golay卷积平滑(SG)、多元散射校正(MSC)、变量标准化(SNV)、一阶导数(1-Der)和直接正交信号校正(DOSC)方法5种预处理方法对高光谱数据进行处理后分别建立偏最小二乘回归(PLSR)检测模型,从中确定最优预处理方法。利用最优预处理结果,分别采用连续投影算法(SPA)和随机蛙跳算法(RF)进行牧草粗蛋白含量的特征波段选择,并利用选择结果分别进一步建立PLSR模型,以此确定适合粗蛋白含量的特征波段选择方法,确定最优高光谱检测模型。结果表明,在五种高光谱预处理方法中,基于SNV方法预处理后所建立的高光谱PLSR模型表现最优(R~2-P=0.929, RMSE-P=6.344mg·g~(-1), RPD=4.204)。利用连续投影算法筛选的粗蛋白含量特征波长为30个,分布于530～700和940～1 000 nm范围内。经随机蛙跳算法确定的粗蛋白含量特征波段为6个,分别为826.544, 827.285, 828.766, 971.012, 972.494和973.235 nm。因此,该研究中牧草粗蛋白含量最优高光谱检测模型为SNV-RF-PLSR(R~2-P=0.933, RMSE-P=6.034 mg·g~(-1), RPD=4.322),模型精度较高。该研究结果为牧草粗蛋白含量的高光谱检测提供了最优模型和理论基础,同时为指导草业生产开拓了新的技术思路。(本文来源于《光谱学与光谱分析》期刊2019年10期）
杨思成,舒在习,曹阳[8]（2019）在《基于高光谱成像技术的稻谷品种鉴别研究》一文中研究指出许多不同的稻谷品种看起来很相似,但它们的化学成分和最终产品质量却有很大差别,每年因品种混淆而造成巨大的经济损失,对稻谷品种的鉴别是发展优质粮食工程的现实需要,为此提出了一种采用高光谱成像技术实现稻谷品种无损快速鉴别的方法。主要研究内容和结果如下:(1)在全波段388～1 000 nm范围内采集5个品种共150粒的稻谷高光谱反射率数据,筛选出差异明显的波段(600～800 nm),将此波段内每个品种的反射率进行Stacked计算和curve-smoothing平滑处理以增加其区分度。(2)对5种稻谷经平滑处理后的反射率数据做主成分分析,找到权值系数最大的波长位于680 nm,将其作为特征波长。加载特征波长下的纹理图像,计算每粒稻谷样品的纹理特征参数:均值(Mean)、方差(Variance)、信息熵(Entropy)和偏差(Skewness)。利用阈值分割的方法将目标与背景区分开,计算每粒稻谷形态特征参数:面积像素数/pixels~2、边界的周长/pixels、长轴长度/pixels、短轴长度/pixels。结合稻谷的纹理特征参数和形态特征参数,比较Fisher判别分析模型、偏最小二乘回归模型(PLSR)和人工神经网络模型(ANN)对稻谷品种鉴别的效果。(3)结果显示, Fisher判别分析中函数1和函数2的累计方差贡献率达到93%,能够较好地解释稻谷的品种信息。将样本的函数值与组质心的平方马氏距离(Mahalanobis)做比较,值相近的作为同一分组类别,对稻谷品种的整体识别正确率能达到95.3%;偏最小二成回归模型:Y_(品种)=0.03X_(均值)-0.36X_(方差)-0.24X_(信息熵)+0.37X_(偏差)+0.31X_(面积)-0.32X_(周长)-0.39X_(长轴长度)+0.45X_(短轴长度),该回归模型相关系数r=0.98,校正均方根RMESS=0.29,交叉验证均方根PMESSCV=0.32,对稻谷的品种鉴别正确率能达到95%;构建的ANN模型为具有sigmoid隐含和softmax输出神经元的双层前馈网络,对150个样品按70%∶15%∶15%的比例随机划分训练集、测试集、验证集,选择共轭梯度法(scaled conjugate gradient)作为训练算法,以交叉熵(cross-entropy)作为模型的评价指标,对稻谷品种鉴别的正确率可达到98%。稻谷品种鉴别的ANN模型在分类精度上优于Fisher判别和PLSR,选择特征波长下的图像信息建立稻谷品种识别的ANN模型,对稻谷品种的无损快速鉴别具有重要指导意义。(本文来源于《光谱学与光谱分析》期刊2019年10期）
张静宜,陈锦超,傅霞萍,叶云峰,付岗[9]（2019）在《甜瓜尾孢叶斑病的高光谱成像检测》一文中研究指出农作物生长发育过程中经常会遭到病虫害等外界因素侵染,如果不能实施有效的监测诊断和科学的防治,极易引起农药喷洒不当或过量,不仅会影响作物的产量和种植户的经济效益,还会造成严重的环境污染。近年在广西大棚厚皮甜瓜上发生了一种严重的由瓜类尾孢(Cercospora citrullina)引起的甜瓜叶斑病,导致甜瓜减产和种植户的经济损失。故此应用高光谱成像开展甜瓜叶片的尾孢叶斑病检测,获取健康甜瓜叶片和受瓜类尾孢感染的具有不同病变程度的甜瓜叶片在380～1 000和900～1 700 nm的高光谱图像,选取感兴趣区域并获取相应的平均光谱反射率,比较发现健康叶片和不同病变程度叶片染病区域的平均反射率差异显着。在540 nm处附近,健康叶片和病变程度轻微的叶片的光谱具备波峰形态,随着病变程度增加,波峰逐渐消失;在700～750 nm处附近,叶片反射率曲线急剧上升,出现绿色植物光谱曲线显着的"红边效应"特征; 750～900 nm范围,健康叶片与轻微病变区域的光谱反射率变化趋于平稳,而其他病变区域的反射率呈上升趋势,且健康叶片的反射率高于病变区域,反射率随病变程度增加而下降,这一变化规律一直持续到近红外波段的900～1 350 nm范围。运用主成分分析、最小噪声分离法观察叶片早期病变的特征,经主成分分析和最小噪声分离法处理后,特别是对于早期病变,样本受感染后发病的区域更为明显。基于高光谱图像提取的前叁个主成分得分绘制叁维散点图,虽然不同病变程度的部分样本有重迭,但病变样本与健康样本的分布区分明显。应用K-近邻法和支持向量机方法建立叶片病变判别模型,结果显示:KNN模型对健康样本测试集判别率为98.7%,病变样本的判别率随病变程度加重而逐渐升高;对病变程度较轻样本,支持向量机模型相比于KNN模型而言,判别正确率更高、分类效果更好;总体上,高光谱图像对健康样本的判别率较高(>97%),可用于健康样本与病变样本的识别,但对不同病变程度的区分效果欠佳。研究结果表明,高光谱成像可用于甜瓜尾孢叶斑病的检测,对不同病变程度的区分效果仍有待提高。(本文来源于《光谱学与光谱分析》期刊2019年10期）
王朝辉,杨郡洲,王艳辉,赵倩,赖汉卿[10]（2019）在《基于高光谱成像技术的梅河大米产地确证因子研究》一文中研究指出为探究吉林省梅河大米的产地确证因子,本研究采用空间网格布点法对吉林省梅河口市地理标志大米进行样本采集。通过梅河大米的高光谱信息和蛋白质、直链淀粉、棕榈酸、油酸、亚油酸、脂肪酸含量进行光谱特征波长提取、相关性分析和产地判别。结果表明,梅河大米的理化指标具有明显的产地特征,高光谱九个特征波长TB_1～TB_9(455、515、583、615、621、776、874、923、942 nm)与上述六个指标呈现显着相关性。利用高光谱九个特征波长对梅河大米与柳河县大米进行SPSS判别分析,整体正确率为95%。SIMCA偏最小二乘法建立的模型可以将梅河大米样品与柳河县大米样品进行区分。说明梅河大米高光谱九个特征波长可作为其产地确证因子。(本文来源于《中国粮油学报》期刊2019年11期）
高光谱成像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在物证鉴定的研究中,高光谱成像技术作为一种新型的物证鉴别技术,相较于紫外-可见荧光光谱、拉曼光谱等鉴别方法,具有高效、快速、无损的优点。通过综合比较各类检验方式与高光谱成像技术,进一步加强了对高光谱成像技术的认识与了解。高光谱成像是通过高光谱仪器设备对被检测物体在连续多个离散波段下扫描获得一个综合图像,同时记录物证的光谱信息和图像信息的技术。在物证鉴定中,通常借助其图像数据的完整性结合各类数据算法,对物证检材进行分析鉴别。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
高光谱成像论文参考文献
[1].王天真,孙宗保,邹小波,闫晓静,梁黎明.基于高光谱成像技术的进口冰鲜牛肉新鲜度指标检测[C].中国食品科学技术学会第十六届年会暨第十届中美食品业高层论坛论文摘要集.2019
[2].孟海洋,赵森,杨志超.基于高光谱成像技术下的物证鉴定领域的研究综述[J].科教文汇(上旬刊).2019
[3].王天鹤,刘舒扬,张晨,贾晓东.基于高光谱成像芯片中布拉格反射镜的设计和制备[J].红外与激光工程.2019
[4].宗婧,卜汉萍,陈达,陈晓宇,鲍蕾.基于拉曼高光谱成像的乳粉真伪非定向筛查新方法研究[J].分析测试学报.2019
[5].李勋兰,王武,农江飞,韩国辉,刘剑飞.基于高光谱成像的桑葚花青素含量预测[C].中国园艺学会2019年学术年会暨成立90周年纪念大会论文摘要集.2019
[6].辛世华,韩小珍,王彩霞.基于高光谱成像技术对牛肉品种判别的研究[J].食品研究与开发.2019
[7].高睿,李泽东,马铮,孔庆明,Muhammad,Rizwan.基于高光谱成像的牧草粗蛋白含量检测研究[J].光谱学与光谱分析.2019
[8].杨思成,舒在习,曹阳.基于高光谱成像技术的稻谷品种鉴别研究[J].光谱学与光谱分析.2019
[9].张静宜,陈锦超,傅霞萍,叶云峰,付岗.甜瓜尾孢叶斑病的高光谱成像检测[J].光谱学与光谱分析.2019
[10].王朝辉,杨郡洲,王艳辉,赵倩,赖汉卿.基于高光谱成像技术的梅河大米产地确证因子研究[J].中国粮油学报.2019