| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-14页 |
| ·气体泄漏源自主搜寻的研究意义 | 第9页 |
| ·基于移动机器人平台的气体泄漏源自主搜寻方法研究的先进性 | 第9-10页 |
| ·气体泄漏源自主搜寻方法的研究现状 | 第10页 |
| ·气体泄漏源搜寻中引入视觉信息的重要性及研究现状 | 第10-13页 |
| ·本论文主要研究内容安排 | 第13-14页 |
| 第二章 基于视觉注意机制的疑似气体泄漏源粗定位方法 | 第14-38页 |
| ·引言 | 第14页 |
| ·视觉注意机制基本原理 | 第14-15页 |
| ·数据驱动视觉注意机制计算模型 | 第15-26页 |
| ·多尺度初级特征提取 | 第16-22页 |
| ·初级特征对比映射图 | 第22-23页 |
| ·多特征图合并策略 | 第23-26页 |
| ·任务驱动的视觉注意机制计算模型 | 第26-31页 |
| ·最优尺度的选择 | 第27-28页 |
| ·特征权值迭代算法 | 第28-30页 |
| ·基于任务驱动的视觉注意算法步骤 | 第30-31页 |
| ·实验结果 | 第31-38页 |
| ·数据驱动视觉注意机制多特征融合算法比较 | 第31-32页 |
| ·任务驱动视觉注意机制实验比较结果 | 第32-38页 |
| 第三章 基于支持向量机的疑似气体泄漏源精确定位方法 | 第38-58页 |
| ·疑似气体泄漏源彩色图像分割 | 第38-55页 |
| ·彩色图像分割研究现状 | 第38-41页 |
| ·几类彩色图像分割算法的分析与讨论 | 第41-42页 |
| ·支持向量机原理 | 第42-46页 |
| ·基于SVM 的疑似气体泄漏源彩色图像分割方法 | 第46-47页 |
| ·分割实验与分析 | 第47-55页 |
| ·基于支持向量机的疑似气体泄漏源精确定位 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 第四章 结论与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 发表论文和参加科研情况说明 | 第64-65页 |
| 致谢 | 第65页 |
