基于火焰数字图像处理的燃料识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景及研究的目的意义 | 第9-10页 |
| 1.2 燃料识别方法的国内外研究现状 | 第10-12页 |
| 1.2.1 光学式火焰检测在燃料识别上的应用 | 第10-11页 |
| 1.2.2 图像式火焰检测在燃料识别上的应用 | 第11-12页 |
| 1.3 本文研究内容 | 第12-14页 |
| 第2章 燃料的燃烧机理 | 第14-22页 |
| 2.1 燃料的分类 | 第14-15页 |
| 2.1.1 煤炭的分类 | 第14页 |
| 2.1.2 生物质燃料 | 第14-15页 |
| 2.2 燃料的工业分析 | 第15-17页 |
| 2.2.1 水分 | 第15页 |
| 2.2.2 灰分 | 第15-16页 |
| 2.2.3 挥发分 | 第16页 |
| 2.2.4 固定碳 | 第16-17页 |
| 2.3 燃料的元素分析 | 第17-18页 |
| 2.4 燃料的结构及燃烧机理 | 第18-19页 |
| 2.5 自由基 | 第19-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第3章 火焰自由基数字图像及处理 | 第22-37页 |
| 3.1 火焰自由基图像的采集 | 第22-24页 |
| 3.2 火焰自由基数字图像的处理 | 第24-32页 |
| 3.2.1 图像去噪 | 第24-27页 |
| 3.2.2 图像分割 | 第27-32页 |
| 3.2.2.1 图像分割概述 | 第27-28页 |
| 3.2.2.2 火焰自由基图像的阈值分割 | 第28-32页 |
| 3.3 火焰自由基图像的特征提取 | 第32-36页 |
| 3.3.1 火焰自由基图像亮度的提取 | 第32-34页 |
| 3.3.1.1 火焰自由基图像的等高线亮度 | 第33-34页 |
| 3.3.1.2 火焰自由基图像的亮度比值 | 第34页 |
| 3.3.2 火焰自由基图像面积及形状信息的提取 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于人工神经网络的燃料识别模型建立 | 第37-53页 |
| 4.1 人工神经网络的基本概念 | 第37-39页 |
| 4.2 BP神经网络 | 第39-45页 |
| 4.2.1 BP神经网络的结构和特点 | 第39-40页 |
| 4.2.2 BP神经网络的训练过程 | 第40-42页 |
| 4.2.3 基于BP神经网络的燃料识别结果 | 第42-45页 |
| 4.3 RBF神经网络 | 第45-49页 |
| 4.3.1 RBF神经网络的结构和特点 | 第45-46页 |
| 4.3.2 RBF神经网络的训练过程 | 第46-47页 |
| 4.3.3 基于RBF神经网络的燃料识别结果 | 第47-49页 |
| 4.4 概率神经网络 | 第49-52页 |
| 4.4.1 概率神经网络的结构和特点 | 第49-50页 |
| 4.4.2 基于概率神经网络的燃料识别结果 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 结论与展望 | 第53-55页 |
| 5.1 结论 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-60页 |
| 致谢 | 第60页 |
