论文目录 | |
摘要 | 第1-8页 |
ABSTRACT | 第8-16页 |
第一章 绪论 | 第16-32页 |
1.1 研究背景和意义 | 第16-19页 |
1.2 工业过程中图像处理技术研究状况 | 第19-26页 |
1.3 回转窑烧成状态识别研究现状及存在的问题 | 第26-28页 |
1.4 回转窑熟料质量指标检测研究现状及存在的问题 | 第28-29页 |
1.5 本文主要工作 | 第29-32页 |
第二章 水泥回转窑烧成状态识别及熟料质量指标f-CaO含量测量问题描述 | 第32-54页 |
2.1 水泥回转窑烧结过程工艺描述 | 第32-36页 |
2.2 水泥回转窑烧成状态特性分析及其识别现状描述 | 第36-42页 |
2.3 水泥回转窑熟料质量指标F-CAO含量测量现状描述 | 第42-45页 |
2.4 影响水泥回转窑熟料产品质量指标F-CAO含量的因素分析 | 第45-50页 |
2.5 水泥回转窑烧成状态识别及熟料F-CAO含量软测量的难点 | 第50-52页 |
2.6 本章小结 | 第52-54页 |
第三章 预备知识 | 第54-96页 |
3.1 信息预处理 | 第54-56页 |
3.2 图像分割方法 | 第56-63页 |
3.2.1 大津算法(Otsu) | 第57-58页 |
3.2.2 模糊C均值聚类(Fuzzy C-Means,FCM) | 第58页 |
3.2.3 基于Gabor小波去模糊化的聚类算法(Fuzzy C-Means and Gabor Wavelet,FCMG) | 第58-59页 |
3.2.4 改进的快速行进法(Fast Marching Method,DFM) | 第59-60页 |
3.2.5 归一化割(Normalized Cut,Ncut) | 第60-62页 |
3.2.6 多阶自适应阈值(Multistage Adaptive Thresholding,MAT) | 第62-63页 |
3.3 特征提取方法 | 第63-79页 |
3.3.1 多变量图像分析(Multivariate Image Analysis,MIA) | 第63-66页 |
3.3.2 主成分分析法(Pricipal Component Analysis,PCA) | 第66-68页 |
3.3.3 尺度不变特征转换算法(Scale Invariance Feature Transform,SIFT) | 第68-73页 |
3.3.4 偏最小二乘(partial least squares,PLS) | 第73-76页 |
3.3.5 神经网络偏最小二乘(Neural network partial least squares,NNPLS) | 第76-77页 |
3.3.6 核偏最小二乘(Kernel partial least squares,KPLS) | 第77-79页 |
3.4 多特征融合方法 | 第79-81页 |
3.5 模式分类器设计方法 | 第81-89页 |
3.5.1 概率神经网络(Probabilistic neural networks,PNN) | 第82-84页 |
3.5.2 BP神经网络(Back Propagation neural network,BPNN) | 第84-86页 |
3.5.3 支持向量机(Support vector machine,SVM) | 第86-88页 |
3.5.4 超级学习机(Extreme learning machine,ELM) | 第88-89页 |
3.6 回归器设计方法 | 第89-93页 |
3.7 本章小结 | 第93-96页 |
第四章 基于火焰图像多特征的烧成状态识别方法 | 第96-146页 |
4.1 相关工作 | 第96-102页 |
4.2 基于火焰图像多特征的烧成状态识别策略 | 第102-103页 |
4.3 基于压缩GABOR滤波器组的火焰图像预处理算法 | 第103-109页 |
4.4 基于火焰图像感兴趣区域色彩特征的烧成状态识别算法 | 第109-112页 |
4.5 基于火焰图像感兴趣区域全局形态特征的烧成状态识别算法 | 第112-115页 |
4.6 基于火焰图像感兴趣区域局部形态特征的烧成状态识别算法 | 第115-119页 |
4.7 基于FUZZY INTEGRAL的火焰图像多特征融合烧成状态识别算法 | 第119-120页 |
4.8 仿真实验 | 第120-144页 |
4.8.1 数据描述 | 第121-122页 |
4.8.2 实验结果与分析 | 第122-144页 |
4.8.2.1 基于改进的Gabor滤波器组的火焰图像预处理实验结果 | 第122-127页 |
4.8.2.2 基于MIA的色彩特征烧成状态识别实验结果 | 第127-129页 |
4.8.2.3 基于PCA的全局形态特征烧成状态识别实验结果 | 第129-134页 |
4.8.2.4 基于SIFT+BoVW+LSA的局部形态特征烧成状态识别实验结果 | 第134-141页 |
4.8.2.5 基于Fuzzy Integral的火焰图像多特征融合烧成状态识别实验结果 | 第141-143页 |
4.8.2.6 比较实验结果 | 第143-144页 |
4.9 本章小结 | 第144-146页 |
第五章 基于过程变量与火焰图像融合的烧成状态识别方法 | 第146-166页 |
5.1 基于过程变量与火焰图像特征融合的烧成状态识别策略 | 第146-148页 |
5.2 基于过程变量与火焰图像融合的烧成状态识别算法 | 第148-153页 |
5.2.1 基于改进中值滤波器的过程变量数据滤波预处理 | 第148-150页 |
5.2.2 基于KPLS的过程变量烧成状态识别模型 | 第150-153页 |
5.2.3 基于过程变量与火焰图像的Fuzzy Integral融合的烧成状态识别模型 | 第153页 |
5.3 仿真实验 | 第153-165页 |
5.3.1 数据描述 | 第153-154页 |
5.3.2 实验结果与分析 | 第154-165页 |
5.3.2.1 滤波预处理 | 第154-157页 |
5.3.2.2 基于KPLS的过程数据烧成状态识别实验结果 | 第157-163页 |
5.3.2.3 基于过程变量和火焰图像的Fuzzy Integral融合的烧成状态识别实验结果 | 第163-165页 |
5.4 本章小结 | 第165-166页 |
第六章 基于火焰图像与过程数据的熟料质量指标f-CaO含量软测量方法 | 第166-188页 |
6.1 基于火焰图像和过程变量的熟料质量指标F-CAO含量软测量策略 | 第166-168页 |
6.2 基于火焰图像和过程数据的产品质量指标F-CAO含量软测量算法 | 第168-171页 |
6.2.1 数据预处理 | 第168-169页 |
6.2.2 火焰图像特征提取 | 第169-170页 |
6.2.3 软测量模型设计 | 第170-171页 |
6.3 仿真实验 | 第171-187页 |
6.3.1 数据描述 | 第171-172页 |
6.3.2 实验结果与分析 | 第172-187页 |
6.3.2.1 数据预处理实验结果 | 第172-176页 |
6.3.2.2 火焰图像特征提取实验结果 | 第176-178页 |
6.3.2.3 软测量模型设计实验结果 | 第178-187页 |
6.4 本章小结 | 第187-188页 |
结束语 | 第188-190页 |
参考文献 | 第190-200页 |
致谢 | 第200-202页 |
博士期间完成的论文、参加的科研项目 | 第202-204页 |
作者简介 | 第204页 |