基于支持向量机的铁谱磨粒图像识别技术
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-10页 |
| 符号说明 | 第10-11页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 人工智能在磨粒图像识别中的应用研究 | 第12-16页 |
| 1.2.1 人工智能概念 | 第12-13页 |
| 1.2.2 磨粒图像识别 | 第13-15页 |
| 1.2.3 SVM 在国内外的使用现状和发展趋势 | 第15-16页 |
| 1.3 本文研究的主要内容 | 第16-19页 |
| 第二章 铁谱分析技术与机械设备摩损机理 | 第19-31页 |
| 2.1 铁谱分析技术 | 第19-22页 |
| 2.1.1 铁谱技术的发展 | 第19页 |
| 2.1.2 铁谱技术工作原理 | 第19-22页 |
| 2.2 摩擦的定义及分类 | 第22-23页 |
| 2.2.1 摩擦的定义 | 第22-23页 |
| 2.2.2 摩擦的分类 | 第23页 |
| 2.3 机械设备磨损机理 | 第23-29页 |
| 2.3.1 机械设备磨损过程 | 第23-24页 |
| 2.3.2 磨损机理及磨损分类 | 第24-26页 |
| 2.3.3 磨粒形貌特征 | 第26-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 铁谱磨粒图像预处理 | 第31-47页 |
| 3.1 磨粒图像的获取及图像增强 | 第31-32页 |
| 3.1.1 铁谱图像的获取 | 第31页 |
| 3.1.2 磨粒图像预处理 | 第31-32页 |
| 3.2 图像颜色空间及转换 | 第32-35页 |
| 3.2.1 RGB 颜色空间 | 第32-33页 |
| 3.2.2 HSV 颜色空间 | 第33-34页 |
| 3.2.3 CIELAB 颜色空间 | 第34-35页 |
| 3.3 磨粒图像分割 | 第35-38页 |
| 3.3.1 K-means 聚类算法 | 第36-37页 |
| 3.3.2 区域生长法 | 第37-38页 |
| 3.4 数学形态学 | 第38-39页 |
| 3.5 磨粒图像处理实例 | 第39-44页 |
| 3.6 本章小结 | 第44-47页 |
| 第四章 铁谱磨粒特征参数提取 | 第47-55页 |
| 4.1 磨粒的形状尺寸特征参数 | 第47-49页 |
| 4.2 磨粒纹理特征参数 | 第49-52页 |
| 4.2.1 灰度共生矩阵 | 第49-50页 |
| 4.2.2 纹理特征参数 | 第50-52页 |
| 4.3 磨粒颜色特征参数 | 第52-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 SVM 理论及算法 | 第55-73页 |
| 5.1 SVM 的分类原理 | 第55-59页 |
| 5.1.1 最优分类面 | 第55-57页 |
| 5.1.2 广义最优分类面 | 第57-59页 |
| 5.2 核函数 | 第59-60页 |
| 5.3 多分类 SVM | 第60-62页 |
| 5.3.1 “一对多”多分类组合 | 第60-61页 |
| 5.3.2 “一对一”多分类器 | 第61页 |
| 5.3.3 二叉决策树 SVM | 第61-62页 |
| 5.4 基于遗传算法的 SVM 参数优化 | 第62-65页 |
| 5.4.1 SVM 参数的影响 | 第62-63页 |
| 5.4.2 遗传算法概念 | 第63-64页 |
| 5.4.3 SVM 参数优化 | 第64-65页 |
| 5.5 数值实验 | 第65-72页 |
| 5.5.1 实验数据的获取 | 第66-70页 |
| 5.5.2 磨粒分类识别 | 第70-71页 |
| 5.5.3 磨粒识别结果分析 | 第71-72页 |
| 5.7 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 附录一 磨粒形状特征参数 | 第81-87页 |
| 附录二 磨粒纹理特征参数 | 第87-93页 |
| 附录三 磨粒颜色特征参数 | 第93-99页 |
| 致谢 | 第99-101页 |
| 攻读学位期间发表的学术论文目录 | 第101页 |
