基于颜色特征建模的镨钕组分含量检测方法
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-15页 |
| ·课题研究背景、目的和意义 | 第8-9页 |
| ·本课题相关领域研究现状 | 第9-13页 |
| ·机器视觉技术研究现状 | 第9-11页 |
| ·组分含量检测研究现状 | 第11-13页 |
| ·本课题研究目标、研究内容和解决的关键技术 | 第13页 |
| ·研究目标 | 第13页 |
| ·研究内容和解决的关键技术 | 第13页 |
| ·论文主要内容和结构 | 第13-15页 |
| 第二章 镨钕萃取过程图像采集系统建立 | 第15-25页 |
| ·镨钕萃取过程描述 | 第15-16页 |
| ·图像采集系统建立 | 第16-19页 |
| ·硬件系统 | 第16-18页 |
| ·系统界面 | 第18-19页 |
| ·图像采集系统运行环境分析 | 第19-24页 |
| ·样品池形状的影响 | 第19-20页 |
| ·光源类型的影响 | 第20-22页 |
| ·溶液浓度的影响 | 第22-24页 |
| ·视频图像采集最佳条件确定 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第三章 镨钕混合溶液颜色特征提取 | 第25-36页 |
| ·Pr/Nd 混合溶液图像采集 | 第25-26页 |
| ·颜色特征提取 | 第26-34页 |
| ·基于 RGB 空间的颜色特征提取 | 第26-28页 |
| ·基于 HSI 空间的颜色特征提取 | 第28-29页 |
| ·常用的颜色特征提取方法 | 第29-31页 |
| ·颜色特征与组分含量关系模型 | 第31-34页 |
| ·颜色特征分量确定 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于神经网络的镨钕组分含量检测模型 | 第36-54页 |
| ·神经网络介绍 | 第36-44页 |
| ·BP 神经网络 | 第37-40页 |
| ·小波神经网络 | 第40-43页 |
| ·RBF 神经网络 | 第43-44页 |
| ·镨钕组分含量神经网络模型的建立 | 第44-52页 |
| ·基于 BP 网络的组分含量预测模型 | 第45-48页 |
| ·基于小波网络的组分含量预测模型 | 第48-50页 |
| ·基于 RBF 网络的组分含量预测模型 | 第50-52页 |
| ·模型的对比分析 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 总结 | 第54-56页 |
| ·主要工作回顾 | 第54-55页 |
| ·展望 | 第55-56页 |
| 个人简历 在读期间发表的学术论文 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60页 |
