基于图像处理的锅炉燃烧状态智能监控研究
| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 1 绪论 | 第14-26页 |
| ·课题研究的背景和意义 | 第14-15页 |
| ·国内外火焰检测技术的研究现状 | 第15-22页 |
| ·传统的锅炉火焰检测技术 | 第15-18页 |
| ·基于图像处理的火焰监测发展现状 | 第18-21页 |
| ·研究与应用中存在的问题 | 第21-22页 |
| ·本课题研究的主要内容 | 第22-23页 |
| ·本文的章节结构 | 第23-24页 |
| ·本章小结 | 第24-26页 |
| 2 工业锅炉火焰图像采集系统设计 | 第26-34页 |
| ·系统的硬件结构 | 第26-27页 |
| ·火焰图像采集系统的功能 | 第27页 |
| ·系统的硬件选择 | 第27-32页 |
| ·火焰图像传感器组件 | 第27-30页 |
| ·图像采集卡 | 第30-31页 |
| ·火焰图像处理单元 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 3 炉膛火焰图像处理技术 | 第34-58页 |
| ·数字图像处理概述 | 第34-38页 |
| ·数字图像原理 | 第34-35页 |
| ·彩色图像空间分析 | 第35-38页 |
| ·炉膛火焰图像处理系统组成 | 第38-39页 |
| ·火焰图像噪声处理 | 第39-45页 |
| ·经典的噪声处理算法 | 第39-41页 |
| ·自适应中值滤波算法 | 第41-42页 |
| ·基于邻域相关的快速自适应滤波算法 | 第42-43页 |
| ·仿真实验与结果分析 | 第43-45页 |
| ·火焰图像增强处理 | 第45-47页 |
| ·火焰图像分割 | 第47-54页 |
| ·经典的图像分割算法 | 第48-49页 |
| ·基于最大类间方差(Otsu)的分割图像 | 第49-50页 |
| ·基于C-V主动轮廓模型的图像细分割 | 第50-54页 |
| ·炉膛火焰图像彩色增强 | 第54-55页 |
| ·本章小结 | 第55-58页 |
| 4 煤粉锅炉燃烧火焰图像特征提取 | 第58-68页 |
| ·煤粉火焰的燃烧特征 | 第58-59页 |
| ·火焰图像特征量提取 | 第59-66页 |
| ·火焰面积和高温面积率 | 第59-61页 |
| ·火焰平均灰度值 | 第61-62页 |
| ·单位时间内火焰平均灰度的方差 | 第62页 |
| ·单位时间内火焰面积方差 | 第62-63页 |
| ·高温区质心偏移距离 | 第63-64页 |
| ·火焰颜色分量 | 第64-65页 |
| ·火焰锋面位置 | 第65-66页 |
| ·特征量相关性分析 | 第66页 |
| ·火焰特征量的确定 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 5 基于锅炉火焰图像的燃烧诊断研究 | 第68-80页 |
| ·煤粉锅炉燃烧状态的种类和定义 | 第68页 |
| ·燃烧诊断中人工智能算法的应用 | 第68-71页 |
| ·BP神经网络基本理论 | 第71-75页 |
| ·BP神经网络模型结构 | 第71-72页 |
| ·BP神经网络的学习算法 | 第72-74页 |
| ·基于BP神经网络的燃烧诊断 | 第74-75页 |
| ·仿真实验及结果分析 | 第75-78页 |
| ·本章小结 | 第78-80页 |
| 6 基于LabVIEW平台的燃烧状态智能监控设计 | 第80-90页 |
| ·锅炉燃烧状态智能监控系统架构 | 第80-81页 |
| ·智能监控系统开发环境 | 第81-82页 |
| ·虚拟仪器开发平台LabVIEW | 第81页 |
| ·视觉工具包 | 第81-82页 |
| ·基于Labview的智能监控设计 | 第82-88页 |
| ·用户登陆 | 第82-83页 |
| ·用户监控面板 | 第83-84页 |
| ·参数设定面板 | 第84-85页 |
| ·火焰图像处理面板 | 第85页 |
| ·火焰图像采集模块 | 第85-86页 |
| ·锅炉燃烧诊断仿真 | 第86-88页 |
| ·本章小结 | 第88-90页 |
| 7 全文总结与展望 | 第90-92页 |
| ·全文总结 | 第90-91页 |
| ·展望 | 第91-92页 |
| 参考文献 | 第92-96页 |
| 致谢 | 第96-98页 |
| 作者简介及读研期间主要科研成果 | 第98页 |
