基于数字图像处理技术的磨损磨粒识别方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-17页 |
| ·立题的目的和意义 | 第9-10页 |
| ·数字图像处理技术 | 第10-11页 |
| ·磨损磨粒监测诊断技术 | 第11-15页 |
| ·磨损磨粒监测的发展 | 第11-12页 |
| ·磨损磨粒油液监测诊断技术的发展 | 第12页 |
| ·磨损磨粒油液监测诊断技术的方法 | 第12-14页 |
| ·磨损磨粒油液监测诊断技术的现状 | 第14-15页 |
| ·铁谱技术概述 | 第15-16页 |
| ·论文的主要研究内容 | 第16-17页 |
| 第 2 章 磨损机理及磨粒的分类与识别 | 第17-29页 |
| ·磨损形成机理 | 第17-20页 |
| ·磨损过程分析 | 第17-18页 |
| ·磨损分类 | 第18-20页 |
| ·磨粒的摩擦学系统分析 | 第20页 |
| ·磨粒种类及特征 | 第20-25页 |
| ·粘着磨损磨粒 | 第20-22页 |
| ·磨料磨损磨粒 | 第22页 |
| ·疲劳磨损磨粒 | 第22-25页 |
| ·磨粒的识别方法 | 第25-28页 |
| ·磨粒识别方法的现状 | 第26-28页 |
| ·磨粒边缘数字特征 | 第28页 |
| ·本章小结 | 第28-29页 |
| 第 3 章 磨粒识别 BP 算法的改进 | 第29-45页 |
| ·神经网络的发展历程 | 第29页 |
| ·误差逆传播神经网络 | 第29-35页 |
| ·误差逆传播(BP)学习算法的提出 | 第30页 |
| ·BP 网络结构及其学习规则 | 第30-33页 |
| ·BP 网络学习算法 | 第33-35页 |
| ·磨损磨粒识别的 BP 算法 | 第35-42页 |
| ·算法存在的问题 | 第35-36页 |
| ·输出层的优化 | 第36-37页 |
| ·网络的线性化 | 第37-38页 |
| ·隐层的优化 | 第38-40页 |
| ·增加动量项 | 第40-42页 |
| ·仿真试验 | 第42-43页 |
| ·本章小结 | 第43-45页 |
| 第 4 章 磨粒图像采集及识别系统的设计 | 第45-65页 |
| ·在线式铁谱仪设计 | 第45-47页 |
| ·铁谱仪的硬件构成 | 第45-46页 |
| ·铁谱仪的工作过程 | 第46-47页 |
| ·磨粒图像预处理过程的设计 | 第47-51页 |
| ·磨粒图像灰度变换 | 第47-49页 |
| ·磨粒图像直方图调整 | 第49页 |
| ·磨粒图像的平滑与锐化 | 第49-51页 |
| ·磨粒图像的特征提取和选择 | 第51-59页 |
| ·磨粒图像的分割 | 第52-54页 |
| ·磨粒轮廓参数提取 | 第54-56页 |
| ·磨粒边界形状特征的选择和提取 | 第56-59页 |
| ·磨粒分类器的设计 | 第59-64页 |
| ·输入与输出层的设计 | 第59-60页 |
| ·隐含层的结构设计 | 第60-64页 |
| ·本章小结 | 第64-65页 |
| 第5章 磨粒图像的采集与实验 | 第65-80页 |
| ·磨粒图像采集实验 | 第65-67页 |
| ·实验装置 | 第65-66页 |
| ·磨粒图像的采集 | 第66-67页 |
| ·磨粒分类器构建及仿真实验 | 第67-73页 |
| ·分类器结构 | 第67页 |
| ·训练样本 | 第67-70页 |
| ·初始权值 | 第70页 |
| ·网络输出结果分析 | 第70-73页 |
| ·应用分析 | 第73-79页 |
| ·磨粒分类器性能指标 | 第73-74页 |
| ·AWPRM 分类器的推广能力分析 | 第74-79页 |
| ·本章小结 | 第79-80页 |
| 结论 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第86-87页 |
| 致谢 | 第87-88页 |
| 作者简介 | 第88页 |
