声明
摘要
第1章 绪论
1.1 研究背景和意义
1.2 工业过程中图像处理技术研究状况
1.3 回转窑烧成状态识别研究现状及存在的问题
1.4 回转窑熟料质量指标检测研究现状及存在的问题
1.5 本文主要工作
第二章 水泥回转窑烧成状态识别及熟料质量指标f-CaO含量测量问题描述
2.1 水泥回转窑烧结过程工艺描述
2.2 水泥回转窑烧成状态特性分析及其识别现状描述
2.3 水泥回转窑熟料质量指标f-CAO含量测量现状描述
2.4 影响水泥回转窑熟料产品质量指标f-CaO含量的因素分析
2.5 水泥回转窑烧成状态识别及熟料f-CaO含量预测的难点
2.6 本章小结
第三章 预备知识
3.1 信息预处理
3.2 图像分割方法
3.2.1 大津算法(Otsu)
3.2.2 模糊C均值聚类(Fuzzy C-Means,FCM)
3.2.3 基于Gabor小波去模糊化的聚类算法(Fuzzy-C-Means and Gabor Wavelet,FCMG)
3.2.4 改进的快速行进法(Fast Marching Method,DFM)
3.2.5 归一化割(Normalized Cut,Ncut)
3.2.6 多阶自适应阈值(Multistage Adaptive Thresholding,MAT)
3.3 特征提取方法
3.3.1 多变量图像分析(Multivariate Image Analysis,MIA)
3.3.2 主成分分析法(Pricipal Component Analysis,PCA)
3.3.3 尺度不变特征转换算法(Scale Invariance Feature Transform,SIFT)
3.3.4 偏最小二乘(partial least squares,PLS)
3.3.5 神经网络偏最小二乘(Neural network panial least squaures,NNPLS)
3.3.6 核偏最小二乘(Kernel partial least squares,KPLS)
3.4 多特征融合方法
3.5 模式分类器设计方法
3.5.1 概率神经网络(Probabilistic neural networks,PNN)
3.5.2 BP神经网络(Back Propagation neural network,BPNN)
3.5.3 支持向量机(Support vector machine,SVM)
3.5.4 超级学习机(Extreme learning machine,ELM)
3.6 回归器设计方法
3.7 本章小结
第四章 基于火焰图像多特征的烧成状态识别方法
4.1 相关工作
4.2 基于火焰图像多特征的烧成状态识别策略
4.3 基于压缩Gabor滤波器组的火焰图像预处理算法
4.4 基于火焰图像感兴趣区域色彩特征的烧成状态识别算法
4.5 基于火焰图像感兴趣区域全局形态特征的烧成状态识别算法
4.6 基于火焰图像感兴趣区域局部形态特征的烧成状态识别算法
4.7 基于Fuzzy Integral的火焰图像多特征融合烧成状态识别算法
4.8 仿真实验
4.8.1 数据描述
4.8.2 实验结果与分析
4.9 本章小结
第五章 基于过程数据与火焰图像融合的烧成状态识别方法
5.1 基于过程数据与火焰图像融合的烧成状态识别策略
5.2 基于过程数据与火焰图像融合的烧成状态识别算法
5.2.1 基于改进中值滤波器的过程数据滤波预处理
5.2.2 基于KPLS的过程数据烧成状态识别模型
5.2.3 基于过程数据与火焰图像的Fuzzy Integral融合的烧成状态识别模型
5.3 仿真实验
5.3.1 数据描述
5.3.2 实验结果与分析
5.4 本章小结
第六章 基于火焰图像与过程数据的熟料质量指标f-CaO含量软测量方法
6.1 基于火焰图像和过程数据的熟料质量指标f-CaO含量软测量策略
6.2 基于火焰图像和过程数据的产品质量指标f-CaO含量软测量算法
6.2.1 数据预处理
6.2.2 火焰图像特征提取
6.2.3 软测量模型设计
6.3 仿真实验
6.3.1 数据描述
6.3.2 实验结果与分析
6.4 本章小结
结束语
参考文献
致谢
博士期间完成的论文、参加的科研项目
作者简介