| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 烧结生产及FeO含量检测的研究现状 | 第12-14页 |
| 1.2.1 烧结生产的研究现状 | 第12-14页 |
| 1.2.2 FeO含量检测的研究现状 | 第14页 |
| 1.3 机器视觉的研究现状 | 第14-18页 |
| 1.4 本文的主要工作 | 第18-19页 |
| 第2章 烧结工艺与机器视觉技术 | 第19-29页 |
| 2.1 烧结工艺 | 第19-22页 |
| 2.1.1 烧结工艺机理 | 第19-21页 |
| 2.1.2 烧结过程特征 | 第21页 |
| 2.1.3 烧结质量指标 | 第21-22页 |
| 2.2 烧结矿FeO含量的影响因素与检测方法 | 第22-25页 |
| 2.2.1 烧结矿FeO的产生机理 | 第22-23页 |
| 2.2.2 影响烧结矿FeO含量的因素 | 第23-24页 |
| 2.2.3 烧结矿FeO含量的检测方法 | 第24-25页 |
| 2.3 机器视觉技术 | 第25-27页 |
| 2.3.1 机器视觉的定义 | 第25页 |
| 2.3.2 机器视觉的理论框架 | 第25-26页 |
| 2.3.3 机器视觉技术的特点 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于图像信息的机尾断面特征提取方法研究 | 第29-49页 |
| 3.1 机尾断面图像采集 | 第29-30页 |
| 3.2 机尾断面图像预处理 | 第30-35页 |
| 3.2.1 图像的表达 | 第30页 |
| 3.2.2 图像的灰度化 | 第30-31页 |
| 3.2.3 图像的增强 | 第31-33页 |
| 3.2.4 图像的分割 | 第33-35页 |
| 3.3 机尾断面图像特征提取 | 第35-48页 |
| 3.3.1 图像特征选取原则 | 第35-36页 |
| 3.3.2 机尾断面图像特征描述 | 第36-37页 |
| 3.3.3 机尾断面的颜色特征提取方法 | 第37-42页 |
| 3.3.4 机尾断面的形状特征提取方法 | 第42-46页 |
| 3.3.5 机尾断面图像特征提取举例 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 烧结矿FeO含量两级判断方法 | 第49-69页 |
| 4.1 烧结矿FeO含量两级判断原理 | 第49页 |
| 4.2 基于模糊推理的烧结矿FeO含量第一级判断方法 | 第49-58页 |
| 4.2.1 模糊推理原理 | 第50-53页 |
| 4.2.2 模糊推理模型的建立 | 第53-56页 |
| 4.2.3 仿真实验与分析 | 第56-58页 |
| 4.3 基于神经网络的烧结矿FeO含量第二级判断方法 | 第58-68页 |
| 4.3.1 神经网络原理 | 第58-59页 |
| 4.3.2 BP神经网络的结构 | 第59-60页 |
| 4.3.4 BP神经网络的学习过程 | 第60-61页 |
| 4.3.5 BP神经网络模型的建立 | 第61页 |
| 4.3.6 仿真实验与分析 | 第61-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第5章 结论与展望 | 第69-71页 |
| 5.1 结论 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |