在役管线腐蚀故障图像识别方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-16页 |
| ·课题背景与研究意义 | 第11-12页 |
| ·课题研究背景 | 第11页 |
| ·本课题的研究意义 | 第11-12页 |
| ·高温高压注气管道缺陷无损检测方法综述 | 第12-13页 |
| ·数字图像处理及缺陷识别研究 | 第13-14页 |
| ·国内外图像处理技术的发展概况 | 第13-14页 |
| ·图像缺陷识别方法研究 | 第14页 |
| ·本课题研究的目的及主要内容 | 第14-16页 |
| 第2章 注蒸气管道腐蚀分析及成像技术研究 | 第16-24页 |
| ·注蒸气管道腐蚀分析 | 第16-19页 |
| ·注蒸气管结构 | 第16页 |
| ·油田注蒸气管腐蚀的影响因素 | 第16-17页 |
| ·管道腐蚀类型 | 第17-19页 |
| ·X射线成像技术研究 | 第19-23页 |
| ·X射线成像检测系统 | 第20页 |
| ·管道腐蚀缺陷成像特征 | 第20-21页 |
| ·X射线检测的基本原理 | 第21-22页 |
| ·X射线衰减数学模型建立 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 在役管线X射线底片图像特征分析 | 第24-46页 |
| ·引言 | 第24页 |
| ·小波分析的理论研究 | 第24-28页 |
| ·小波变换 | 第24-25页 |
| ·多分辨率分析 | 第25-26页 |
| ·图像的二维小波变换 | 第26-28页 |
| ·数学形态学理论研究 | 第28-31页 |
| ·数学形态学基本概念及基本运算 | 第28-31页 |
| ·图像噪声滤除 | 第31-40页 |
| ·噪声来源分析及噪声模型确定 | 第31-33页 |
| ·X射线图像去噪的一般方法 | 第33-34页 |
| ·小波变换的阈值去噪技术 | 第34-36页 |
| ·基于数学形态学噪声去除方法 | 第36页 |
| ·分离缺陷点的数学形态学小波去噪 | 第36-38页 |
| ·实验及对比分析 | 第38-40页 |
| ·基于小波变换的缺陷边缘检测 | 第40-45页 |
| ·常见边缘检测算子 | 第40-41页 |
| ·小波边缘检测原理 | 第41-42页 |
| ·基于四阶B样条的小波多尺度局部模极大值边缘检测 | 第42-43页 |
| ·检测结果分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 X射线数字图像的缺陷特征提取与选择 | 第46-56页 |
| ·缺陷原始特征量的提取 | 第46-51页 |
| ·两类几何形状特征量 | 第46-49页 |
| ·缺陷的Hu不变矩特征量 | 第49-50页 |
| ·缺陷的灰度特征的提取 | 第50-51页 |
| ·缺陷识别特征值的选择 | 第51-55页 |
| ·本章小结 | 第55-56页 |
| 第5章 基于神经网络管道缺陷模式识别 | 第56-77页 |
| ·BP神经网络的基本原理 | 第56-62页 |
| ·BP神经元 | 第57-58页 |
| ·BP网络模型 | 第58-60页 |
| ·BP算法的改进 | 第60-62页 |
| ·基于BP神经网络的缺陷模式识别 | 第62-70页 |
| ·三层BP神经网络的输出方式 | 第63-65页 |
| ·缺陷特征量的选择与隐层节点数的确定 | 第65-66页 |
| ·训练与识别结果分析 | 第66-70页 |
| ·基于BP神经网络的缺陷定量识别研究 | 第70-76页 |
| ·定量识别网络的结构 | 第70-71页 |
| ·定量识别网络的结果分析 | 第71-76页 |
| ·本章小结 | 第76-77页 |
| 第6章 在役管线腐蚀缺陷自动识别系统 | 第77-84页 |
| ·在役管线典型腐蚀缺陷的自动识别系统软件开发 | 第77-83页 |
| ·软件系统总体结构 | 第77-78页 |
| ·系统的工作流程 | 第78页 |
| ·系统功能与介绍 | 第78-83页 |
| ·本章小结 | 第83-84页 |
| 第7章 结论 | 第84-85页 |
| 参考文献 | 第85-88页 |
| 致谢 | 第88页 |
