纸浆纤维测量仪纤维图像分类算法研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究的背景 | 第11页 |
| 1.2 课题的目的及意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-13页 |
| 1.4 论文主要研究内容及结构安排 | 第13-15页 |
| 第2章 纸浆纤维图像预处理 | 第15-31页 |
| 2.1 纤维的主要形态参数 | 第15-16页 |
| 2.2 图像减背景 | 第16-17页 |
| 2.3 图像滤波 | 第17-21页 |
| 2.3.1 高斯滤波 | 第18-19页 |
| 2.3.2 中值滤波 | 第19-20页 |
| 2.3.3 均值滤波 | 第20-21页 |
| 2.4 图像分割 | 第21-29页 |
| 2.4.1 阈值分割 | 第21-22页 |
| 2.4.2 边缘分割 | 第22-25页 |
| 2.4.3 区域分割 | 第25-26页 |
| 2.4.4 实验结果与分析 | 第26-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 纸浆纤维图像的特征提取 | 第31-41页 |
| 3.1 特征提取及其评价方法 | 第31-32页 |
| 3.2 纤维图像的特征提取 | 第32-36页 |
| 3.2.1 形态特征 | 第32-35页 |
| 3.2.2 灰度特征 | 第35-36页 |
| 3.3 纤维图像特征的提取与归一化 | 第36-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 分类算法的研究及实现 | 第41-63页 |
| 4.1 SVM分类 | 第41-54页 |
| 4.1.1 统计学习理论基础 | 第41页 |
| 4.1.2 SVM基本原理 | 第41-48页 |
| 4.1.3 SVM常用核函数 | 第48-49页 |
| 4.1.4 SVM实现多分类的三种方案 | 第49-51页 |
| 4.1.5 SVM对纸浆纤维的分类 | 第51-52页 |
| 4.1.6 SVM分类效果分析 | 第52-54页 |
| 4.2 卷积神经网络 | 第54-60页 |
| 4.2.1 神经网络的基本原理 | 第54-56页 |
| 4.2.2 卷积神经网络的优势 | 第56-57页 |
| 4.2.3 卷积神经网络模型 | 第57-58页 |
| 4.2.4 卷积神经网络对纸浆纤维的分类 | 第58-60页 |
| 4.3 浆种纤维的分类 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第5章 分类算法的应用研究 | 第63-73页 |
| 5.1 纸浆形态参数与湿纸幅强度 | 第63-66页 |
| 5.1.1 纤维平均长度与湿纸幅强度 | 第63-64页 |
| 5.1.2 纤维卷曲指数与湿纸幅强度 | 第64-65页 |
| 5.1.3 细小纤维含量与湿纸幅强度 | 第65-66页 |
| 5.2 纸浆形态参数与粘附性能和滤水性能 | 第66-68页 |
| 5.3 纸浆图像分类及纤维形态与抄造性能关系验证 | 第68-71页 |
| 5.3.1 纸浆图像分类结果 | 第68-69页 |
| 5.3.2 形态参数与抄造性能关系验证 | 第69-71页 |
| 5.4 本章小结 | 第71-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 在学期间主要科研成果 | 第81页 |
