| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·课题背景及研究意义 | 第11-12页 |
| ·常用无损检测方法 | 第12-13页 |
| ·神经网络概述 | 第13-14页 |
| ·国内外数字图像处理及故障缺陷识别发展分析 | 第14-15页 |
| ·国内相关领域发展分析 | 第14-15页 |
| ·国外相关领域发展分析 | 第15页 |
| ·课题研究内容及结构安排 | 第15-17页 |
| ·本文主要研究内容 | 第15-16页 |
| ·本文章节结构安排 | 第16-17页 |
| 第2章 在役管线X射线底片图像预处理 | 第17-29页 |
| ·噪声分析 | 第17-19页 |
| ·图像处理噪声定义 | 第17-18页 |
| ·常见噪声的种类 | 第18-19页 |
| ·图像降噪 | 第19-25页 |
| ·线性滤波—邻域平均滤波 | 第19-21页 |
| ·非线性滤波—中值滤波 | 第21-23页 |
| ·自适应中值滤波 | 第23-25页 |
| ·图像增强 | 第25-28页 |
| ·灰度拉伸 | 第26页 |
| ·直方图均衡 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 在役管线X射线底片图像边缘检测 | 第29-43页 |
| ·边缘检测概述 | 第29-30页 |
| ·图像边缘检测定义 | 第29页 |
| ·图像边缘模型 | 第29-30页 |
| ·基于微分算子的边缘检测算法 | 第30-35页 |
| ·一阶微分算子边缘检测 | 第32-34页 |
| ·二阶微分算子边缘检测 | 第34-35页 |
| ·基于数学形态学的边缘检测算法 | 第35-39页 |
| ·形态学基本运算 | 第36-39页 |
| ·形态学梯度图像的获取 | 第39页 |
| ·图像阈值分割 | 第39-41页 |
| ·阈值分割概述 | 第39-40页 |
| ·最佳阈值迭代法 | 第40-41页 |
| ·二值化后图像的边缘提取 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 在役管线故障缺陷特征提取与测量 | 第43-57页 |
| ·在役管线故障缺陷分类及特征分析 | 第43-50页 |
| ·在役管线母材故障缺陷 | 第43-45页 |
| ·在役管线焊缝故障缺陷 | 第45-50页 |
| ·在役管线故障缺陷特征参数的选取 | 第50-53页 |
| ·特征参数选取的依据 | 第50-51页 |
| ·特征参数的选取 | 第51-53页 |
| ·在役管线故障缺陷特征参数的计算 | 第53-56页 |
| ·基于连码法的边界分析 | 第53-54页 |
| ·故障缺陷的特征计算 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 神经网络模式识别在图像分类中的应用 | 第57-69页 |
| ·图像分类识别中的模式识别系统 | 第57页 |
| ·模式识别在图像分类识别中的传统方法 | 第57-59页 |
| ·统计模式识别 | 第57-58页 |
| ·句法结构模式识别 | 第58-59页 |
| ·模糊模式识别 | 第59页 |
| ·人工神经网络在图像分类识别中的应用 | 第59页 |
| ·BP人工神经网络概述 | 第59-68页 |
| ·BP神经网络特点 | 第59-60页 |
| ·BP神经网络的结构 | 第60-63页 |
| ·反向传播算法 | 第63-68页 |
| ·改进BP算法 | 第68页 |
| ·本章小结 | 第68-69页 |
| 第6章 基于BP神经网络的在役管线故障缺陷分类识别 | 第69-85页 |
| ·在役管线故障缺陷的BP神经网络识别 | 第69-77页 |
| ·输入参数及输出数据的表示 | 第69-70页 |
| ·在役管线故障缺陷BP神经网络的参数确定 | 第70-77页 |
| ·在役管线故障缺陷BP神经网络的训练与测试 | 第77-78页 |
| ·在役管线故障缺陷检测系统的建立 | 第78-82页 |
| ·图像处理系统 | 第78-80页 |
| ·BP网络故障缺陷识别系统 | 第80-82页 |
| ·在役管线故障缺陷数据库的建立 | 第82-83页 |
| ·本章小结 | 第83-85页 |
| 第7章 结论与展望 | 第85-87页 |
| ·本文研究内容结论 | 第85页 |
| ·今后研究方向展望 | 第85-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91页 |