| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-13页 |
| ·课题来源及研究的目的和意义 | 第9页 |
| ·国内外研究现状及分析 | 第9-12页 |
| ·本课题的研究内容 | 第12-13页 |
| 第2章 边缘检测算法的分析研究 | 第13-25页 |
| ·引言 | 第13-14页 |
| ·系统简介 | 第13-14页 |
| ·对系统结构的要求 | 第14页 |
| ·经典边缘检测算法的分析研究 | 第14-18页 |
| ·基于一阶微分的边缘检测算法 | 第15-16页 |
| ·基于二阶微分的边缘检测算法 | 第16-17页 |
| ·Canny 算子 | 第17页 |
| ·经典算法的检测结果及对比 | 第17-18页 |
| ·基于神经网络的边缘检测算法 | 第18-24页 |
| ·神经网络简介 | 第18-20页 |
| ·神经网络模型 | 第20-21页 |
| ·神经网络的分类 | 第21-23页 |
| ·神经网络的学习过程 | 第23页 |
| ·神经网络的应用 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于LVQ 神经网络的颗粒识别算法 | 第25-38页 |
| ·引言 | 第25页 |
| ·基于LVQ 网络的图像边缘检测算法 | 第25-28页 |
| ·LVQ 神经网络的结构 | 第25-26页 |
| ·LVQ 神经网络的学习算法 | 第26-27页 |
| ·LVQ 网络进行边缘检测的原理 | 第27-28页 |
| ·LVQ 网络在油液图像颗粒识别中的应用 | 第28-34页 |
| ·油液图像的特点 | 第28-29页 |
| ·训练样本的获取 | 第29-31页 |
| ·图像特征向量的提取 | 第31-34页 |
| ·基于特征向量和LVQ 网络的边缘检测方法 | 第34-37页 |
| ·LVQ 网络的学习过程 | 第34-36页 |
| ·LVQ 神经网络颗粒识别的仿真结果 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 基于BP 神经网络的颗粒识别算法 | 第38-50页 |
| ·引言 | 第38页 |
| ·BP 神经网络的基本知识 | 第38-44页 |
| ·BP 网络的结构 | 第38-39页 |
| ·BP 网络的训练过程 | 第39-40页 |
| ·BP 网络的学习规则 | 第40-44页 |
| ·基于特征向量和BP 神经网络的边缘检测 | 第44-45页 |
| ·BP 网络的MATLAB 实现 | 第45-48页 |
| ·BP 网络模型的建立 | 第45-46页 |
| ·BP 神经网络进行颗粒图像识别的MATLAB 实现 | 第46-47页 |
| ·仿真结果 | 第47-48页 |
| ·两种神经网络仿真结果分析比较 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 油液污染等级的计算 | 第50-61页 |
| ·引言 | 第50页 |
| ·油液污染等级简介 | 第50-53页 |
| ·油液污染等级的评定方法 | 第50-51页 |
| ·油液污染度分级标准及分析 | 第51-53页 |
| ·本系统油液污染等级的相关计算 | 第53-56页 |
| ·污染颗粒相关参数的统计 | 第53-55页 |
| ·污染颗粒等效直径的计算 | 第55-56页 |
| ·对颗粒相关参数的统计结果 | 第56-57页 |
| ·颗粒图像的二值化 | 第56页 |
| ·颗粒图像的滤波 | 第56页 |
| ·颗粒的数目和面积 | 第56-57页 |
| ·含水珠和气泡的油液图像的处理 | 第57-60页 |
| ·水珠气泡和颗粒的区分 | 第57-59页 |
| ·水珠和气泡的区分 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间发表的学术论文 | 第67-69页 |
| 致谢 | 第69页 |