| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题的选题背景及意义 | 第11-12页 |
| 1.2 基于图像的火焰检测技术研究现状 | 第12-14页 |
| 1.3 EI-XCL燃烧器现场概况 | 第14-16页 |
| 1.3.1 现场概况 | 第15-16页 |
| 1.3.2 EI-XCL燃烧器 | 第16页 |
| 1.4 论文内容及安排 | 第16-17页 |
| 1.5 本章小结 | 第17-19页 |
| 第二章 火焰图像采集与火焰图像噪声滤波 | 第19-31页 |
| 2.1 火焰图像采集 | 第19-20页 |
| 2.2 经典噪声滤波算法 | 第20-21页 |
| 2.2.1 多帧平均法 | 第20页 |
| 2.2.2 邻域平均法 | 第20页 |
| 2.2.3 中值滤波法 | 第20-21页 |
| 2.2.4 自适应中值滤波法 | 第21页 |
| 2.3 ABDND开关中值滤波算法与改进算法 | 第21-23页 |
| 2.4 滤波算法实验结果与分析 | 第23-28页 |
| 2.4.1 炉膛启动阶段煤粉燃烧灰度图像滤波实验 | 第24-25页 |
| 2.4.2 炉膛运行阶段煤粉燃烧灰度图像滤波实验 | 第25-28页 |
| 2.5 标准差数值对比 | 第28-29页 |
| 2.6 本章小结 | 第29-31页 |
| 第三章 EI-XCL燃烧器火焰图像边缘检测 | 第31-41页 |
| 3.1 经典边缘检测算法 | 第31-35页 |
| 3.2 基于灰度值权重的Kirsch边缘检测算法 | 第35-38页 |
| 3.2.1 基于灰度值权重的图像平滑处理 | 第35-36页 |
| 3.2.2 Kirsch边缘检测算法 | 第36-38页 |
| 3.3 边缘检测算法实验结果与分析 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 EI-XCL燃烧器火焰图像特征值提取 | 第41-51页 |
| 4.1 煤粉的着火与燃烧特性 | 第41-43页 |
| 4.1.1 影响煤粉着火的因素 | 第41-42页 |
| 4.1.2 煤粉的燃烧特性 | 第42-43页 |
| 4.1.3 EI-XCL燃烧器火焰图像特征值选取标准 | 第43页 |
| 4.2 .火焰图像平均灰度值与灰度值标准差 | 第43-44页 |
| 4.3 火焰图像的平均前景透明度 | 第44-46页 |
| 4.3.1 图像的前景透明度 | 第44页 |
| 4.3.2 平均前景透明度计算 | 第44-46页 |
| 4.4 火焰色彩分量比值 | 第46页 |
| 4.5 火焰高温面积比 | 第46-47页 |
| 4.6 特征值曲线实验分析 | 第47-50页 |
| 4.7 本章小结 | 第50-51页 |
| 第五章 基于燃烧器火焰图像特征值的燃烧状态检测 | 第51-67页 |
| 5.1 K-means算法样本数据聚类 | 第51-52页 |
| 5.2 机器学习算法选取 | 第52-53页 |
| 5.3 支持向量机 | 第53-56页 |
| 5.3.1 统计学习理论 | 第53-54页 |
| 5.3.2 支持向量机的分类原理 | 第54-56页 |
| 5.4 LIBSVM进行多分类问题求解 | 第56-58页 |
| 5.4.1 LIBSVM的代码设置 | 第57页 |
| 5.4.2 使用LIBSVM进行分类识别的步骤 | 第57-58页 |
| 5.5 燃烧状态检测实验结果分析 | 第58-66页 |
| 5.5.1 K-means火焰图像样本聚类实验 | 第58-59页 |
| 5.5.2 libsvm燃烧状态检测实验 | 第59-65页 |
| 5.5.3 测试样本燃烧状态检测结果准确率分析 | 第65-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 全文总结 | 第67-68页 |
| 6.2 本文创新点 | 第68页 |
| 6.3 下一步工作展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 附录 攻读硕士期间取得的学术成果 | 第75页 |