| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 第一章 绪论 | 第12-27页 |
| ·研究背景及意义 | 第12页 |
| ·传统的气体泄漏源定位方法 | 第12-13页 |
| ·移动机器人气体泄漏源定位方法的先进性 | 第13页 |
| ·移动机器人气体泄漏源定位方法研究现状 | 第13-21页 |
| ·基于嗅觉的移动机器人气体泄漏源定位方法 | 第14-19页 |
| ·气体泄漏源定位中引入视觉信息的重要性 | 第19-20页 |
| ·移动机器人融合视/嗅觉气体泄漏源定位研究现状 | 第20-21页 |
| ·移动机器人融合视/嗅觉信息气体泄漏源定位面临的问题 | 第21-25页 |
| ·如何高效地处理场景图像信息以尽快凸显疑似泄漏源区域 | 第21-23页 |
| ·如何准确地判断候选区域是否存在疑似泄漏源 | 第23页 |
| ·如何有效地融合视/嗅觉双模态信息 | 第23-25页 |
| ·本文研究的主要内容 | 第25-27页 |
| 第二章 视觉注意机制 | 第27-40页 |
| ·视觉注意的神经解剖学与生理学基础 | 第28-34页 |
| ·视觉信息的传导模式 | 第28-29页 |
| ·视觉注意的两条通路 | 第29-30页 |
| ·视网膜采样方式 | 第30-32页 |
| ·视觉的感受野 | 第32-34页 |
| ·视觉注意机制计算模型 | 第34-38页 |
| ·BUVAM计算模型 | 第34-37页 |
| ·TDVAM计算模型 | 第37-38页 |
| ·视觉注意机制计算模型存在的问题 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第三章 基于视觉注意机制的疑似气体泄漏源判定 | 第40-70页 |
| ·气体泄漏源视觉判定算法概述 | 第40-42页 |
| ·BUVAM计算模型的实现 | 第42-52页 |
| ·原始输入图像 | 第42-43页 |
| ·多尺度采样和线性滤波 | 第43-44页 |
| ·初级特征提取 | 第44-48页 |
| ·特征对比映射图获取 | 第48-49页 |
| ·多特征图合并 | 第49-52页 |
| ·显著区域竞争和转移 | 第52页 |
| ·TDVAM计算模型的实现 | 第52-55页 |
| ·学习获取对比映射图合并权值系数 | 第53-55页 |
| ·重要特征和最佳尺度选取 | 第55页 |
| ·形状匹配 | 第55-58页 |
| ·实验结果与分析 | 第58-69页 |
| ·TDVAM与BUVAM计算模型实验结果比较 | 第58-63页 |
| ·形状匹配实验结果 | 第63-69页 |
| ·本章小结 | 第69-70页 |
| 第四章 基于最小二乘估计的机器人融合视/嗅觉泄漏源定位 | 第70-82页 |
| ·气体扩散模式 | 第70-71页 |
| ·扩散模型 | 第71-72页 |
| ·模型参数标定 | 第72-74页 |
| ·基于最小二乘估计的视/嗅觉信息融合气体泄漏源定位方法 | 第74-76页 |
| ·实验结果及分析 | 第76-81页 |
| ·本章小结 | 第81-82页 |
| 第五章 基于包容体系结构的机器人融合视/嗅觉泄漏源定位 | 第82-101页 |
| ·基于包容体系结构的气体泄漏源定位框架 | 第82-84页 |
| ·行为功能概述 | 第84-88页 |
| ·基于贝叶斯理论的泄漏源概率估计 | 第88-94页 |
| ·气体泄漏源已知时概率估计 | 第89-90页 |
| ·气体泄漏源未知时概率估计 | 第90-92页 |
| ·连续检测和未检测事件 | 第92-94页 |
| ·实验结果及分析 | 第94-100页 |
| ·本章小结 | 第100-101页 |
| 第六章 总结与展望 | 第101-103页 |
| 参考文献 | 第103-117页 |
| 发表论文和科研情况说明 | 第117-119页 |
| 附录：第五章主要符号解释 | 第119-120页 |
| 致谢 | 第120页 |
