| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 变量注释表 | 第18-19页 |
| 1 绪论 | 第19-21页 |
| 1.1 课题来源 | 第19页 |
| 1.2 研究背景 | 第19-20页 |
| 1.3 研究内容 | 第20-21页 |
| 2 文献综述 | 第21-31页 |
| 2.1 软测量技术研究现状 | 第21-23页 |
| 2.2 灰分检测技术现状 | 第23-25页 |
| 2.3 基于图像的软测量研究概述 | 第25-26页 |
| 2.4 本文涉及的其他理论知识 | 第26-31页 |
| 3 图像采集系统搭建及参数优化 | 第31-49页 |
| 3.1 图像采集系统框架 | 第31-32页 |
| 3.2 光源与照射方式选择 | 第32-41页 |
| 3.3 样品容器 | 第41-42页 |
| 3.4 图像采集系统搭建 | 第42-43页 |
| 3.5 光源特性研究 | 第43-45页 |
| 3.6 图像采集系统参数优化 | 第45-48页 |
| 3.7 本章小结 | 第48-49页 |
| 4 尾矿图像特征的影响因素分析与特征值提取 | 第49-65页 |
| 4.1 尾矿图像特征的影响因素 | 第49页 |
| 4.2 尾矿图像灰度特征值及提取方法 | 第49-54页 |
| 4.3 试验样品的制备 | 第54-56页 |
| 4.4 灰分对图像灰度特征的影响 | 第56-57页 |
| 4.5 浓度对图像灰度特征的影响 | 第57-60页 |
| 4.6 粒度对图像灰度特征的影响 | 第60-62页 |
| 4.7 各影响因素显著性分析 | 第62-64页 |
| 4.8 本章小结 | 第64-65页 |
| 5 基于图像法的浮选尾矿灰分软测量模型建立 | 第65-75页 |
| 5.1 输入输出变量 | 第65页 |
| 5.2 试验设计与特征值提取 | 第65-66页 |
| 5.3 输入数据的主元分析 | 第66-68页 |
| 5.4 基于SVMR的浮选尾矿灰分软测量模型训练与部署 | 第68-70页 |
| 5.5 基于GA-SVMR的尾矿灰分软测量模型训练与部署 | 第70-73页 |
| 5.6 模型对比 | 第73-74页 |
| 5.7 本章小结 | 第74-75页 |
| 6 浮选尾矿灰分在线检测系统搭建 | 第75-82页 |
| 6.1 浮选尾矿灰分在线检测系统框架 | 第75-76页 |
| 6.2 浮选尾矿自动采样系统 | 第76-79页 |
| 6.3 图像自动采集系统 | 第79-81页 |
| 6.4 本章小结 | 第81-82页 |
| 7 总结与展望 | 第82-83页 |
| 7.1 总结 | 第82页 |
| 7.2 主要创新点 | 第82页 |
| 7.3 展望 | 第82-83页 |
| 参考文献 | 第83-88页 |
| 附录 1 | 第88-94页 |
| 作者简历 | 第94-96页 |
| 学位论文数据集 | 第96页 |