基于图像处理的火焰检测技术
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-17页 |
| ·研究背景及意义 | 第11页 |
| ·传统的锅炉火焰检测技术及其存在问题 | 第11-12页 |
| ·基于图像处理的火焰可视化和燃烧智能诊断 | 第12-16页 |
| ·火焰可视化和燃烧智能诊断的研究现状 | 第13-14页 |
| ·智能算法在燃烧状态监测与诊断中的应用 | 第14-16页 |
| ·本文的研究内容 | 第16-17页 |
| 2 锅炉火焰图像处理技术 | 第17-31页 |
| ·引言 | 第17页 |
| ·数字图像采集系统结构 | 第17-18页 |
| ·数字图像原理 | 第18-19页 |
| ·火焰图像预处理 | 第19-26页 |
| ·图像噪声处理 | 第19-21页 |
| ·图像增强技术 | 第21-23页 |
| ·图像分割 | 第23-26页 |
| ·基于C-V 主动轮廓模型的图像分割 | 第26-30页 |
| ·C-V 主动轮廓模型 | 第26-27页 |
| ·C-V 模型的数值实现 | 第27页 |
| ·实验结果及分析 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 3 基于火焰图像特征参数的燃烧状态分析 | 第31-36页 |
| ·引言 | 第31页 |
| ·燃烧状态种类及定义 | 第31-32页 |
| ·火焰图像特征参数的提取 | 第32-33页 |
| ·特征参数提取实例分析 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 4 支持向量机及其参数选择研究 | 第36-45页 |
| ·引言 | 第36页 |
| ·支持向量机理论 | 第36-41页 |
| ·统计学习理论 | 第36-38页 |
| ·支持向量机原理 | 第38-41页 |
| ·支持向量机参数的选择对分类精确度的影响 | 第41-42页 |
| ·LIBSVM | 第42-44页 |
| ·简介 | 第42-43页 |
| ·算法命令 | 第43页 |
| ·实验测试 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 5 基于遗传支持向量机的燃烧诊断研究 | 第45-56页 |
| ·引言 | 第45-47页 |
| ·遗传算法 | 第47-50页 |
| ·遗传算法的基本原理 | 第47页 |
| ·遗传算法的基本操作要素 | 第47-49页 |
| ·遗传算法的特点 | 第49-50页 |
| ·遗传支持向量机 | 第50-52页 |
| ·支持向量机的设计 | 第50-51页 |
| ·遗传算法优化支持向量机参数 | 第51-52页 |
| ·仿真实验及结果分析 | 第52-55页 |
| ·算法运行参数的选择 | 第52-54页 |
| ·仿真实验及分析 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 6 全文总结及展望 | 第56-58页 |
| ·全文总结 | 第56页 |
| ·课题今后的研究展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间取得的研究成果 | 第63页 |
