一、回转窑燃烧图像中火焰区的动态标定（论文文献综述）
吕明阳[1]（2020）在《燃煤炉窑烧结系统的混沌分析与特征提取》文中研究指明燃煤窑炉是冶金、化工、电力、水泥和活性石灰等基础工业领域的关键生产设备,也是主要的能耗设备。窑炉内燃煤过程（烧结过程）工况的稳定决定了产品的品质、煤粉的消耗量和污染物排放水平,是燃煤窑炉实现“节能减排”的关键。然而,由于窑炉烧结过程存在大量的物理和化学反应、物质和能量的交换,这限制了研究人员对燃煤窑炉内在动力学机理的认知,以及实际的工业应用效果。对此,本文以氧化铝回转窑烧结系统为研究对象,基于生产现场的热工数据,从非线性系统的角度研究了烧结系统的混沌辨识问题和基于混沌的实际应用,为燃煤窑炉的稳定控制奠定基础。本文主要工作和创新如下:（1）很多领域的混沌研究主要是基于数学方程或者小型样机,但是这些方法不适用于燃煤窑炉的混沌研究。对此,本文以氧化铝回转窑的烧结系统为例,基于生产现场实际的热工数据,研究了数学方程未知的燃煤窑炉烧结系统的混沌辨识问题。其中,针对数据来源、数据长度和数据采样周期对结果的影响,首先选择了不同数据长度和不同采样周期的烧结温度数据和窑头温度数据;对每一组数据使用相空间重构方法获得若干候选的动态轨迹,然后基于混沌特征量的性质从每组数据的候选动态轨迹中确定出一个合适的动态轨迹。最后,使用每组数据的分析结果相互印证,首次确定了氧化铝回转窑的烧结系统是一个具有混沌特征的五阶系统。（2）燃煤窑炉中存在的噪声干扰了信号的检测和系统的控制,并且噪声的种类和特征等尚不清楚。对此,本文分析了从五种热工数据中提取的噪声数据的混沌特征和多分形特征。实验结果表明氧化铝回转窑烧结系统中的噪声既不是高斯白噪声,又不是单分形的彩色噪声,而是具有混沌特征和多分形特征的确定信号,并且分析了噪声难以有效预测的原因。（3）针对应用于燃煤窑炉的深度学习软测量模型存在计算复杂度高、未考虑系统动力学特征和缺乏可解释性的缺点,本文从混沌时间序列预测的角度,结合回转窑烧结系统的强耦合、大滞后和参数时变的非线性特征以及实际生产中检测数据可能存在风险的情况,提出了一个预测精度高、计算复杂度小和可解释性强的集成预测框架,以实现窑头温度混沌时间序列的精确在线预测。其中,针对烧结系统具有大滞后的特征,使用相空间重构方法获取与烧结系统拓扑等价的动态轨迹;Volterra滤波器被用于拟合出烧结系统的状态和输出之间的函数关系;针对烧结系统的参数具有时变特征会减弱固定模型的性能,每次预测前使用滑窗技术更新Volterra滤波器的核来实现模型的动态更新;针对实际工业数据中会包含不可靠的值,使用偏差补偿技术将每一个预测值进行校正之后作为最终的预测值。（4）燃煤窑炉内恶劣的生产环境会掩盖火焰图像颜色、纹理、梯度等众多有用信息,阻碍了基于火焰图像或视频的烧结工况识别方法的性能。对此,本文提出了基于火焰图像的平均灰度值序列和混沌特征量的火焰温度变化趋势的混沌特征提取方法,以实现火焰温度变化趋势的准确识别,提升燃煤窑炉自动化水平。其中,不仅基于混沌理论和熵理论解释了此方法的有效性,还基于标准数据和氧化铝回转窑的火焰视频数据验证了本方法的有效性。
晏婷婷[2]（2020）在《基于动态图像视频特征的回转窑烧结工况研究》文中进行了进一步梳理回转窑在冶金、化工、水泥等重要的工业领域中有着广泛的应用。在这些行业中,提高能源利用率、降低废气排放对维持国民经济的可持续发展具有重要的意义,因此监测回转窑的烧结过程、识别燃烧工况、保持燃烧状态的正常和稳定对实现窑炉优化控制、有效生产、节能减排至关重要。目前大多数基于计算机视觉自动识别燃烧工况的方法都是从单帧图像中提取图像的静态特征进行分析。基于静态图像分析的方法存在一些问题:一方面由于工业现场粉尘烟雾干扰严重,采集的图像模糊因而难以分割,导致从感兴趣区域提取的视觉统计特征鲁棒性差;另一方面静态特征只考虑了单帧火焰图像的统计特征,忽略了燃煤火焰的闪烁动态信息,因此对燃烧工况特别是变化工况的识别精度不高。针对以上问题,论文以回转窑烧结过程的火焰视频为研究对象,研究了一种基于火焰视频时空特征的燃烧工况识别方法。论文的主要工作如下:（1）为了快速提取视频的动态纹理信息,构建了一个新的三维（3D）纹理特征描述子表征火焰视频的纹理特征,即三维简洁局部二值模式（3DBLBP）。3DBLBP提取火焰3D纹理特征时不需要对图像和视频进行分割,可准确有效的对视频序列的动态纹理特征进行描述,且实现简单,鲁棒性强。（2）从理论上分析了不同燃烧工况的火焰视频动态特性,提出将正常工况到异常工况的过渡阶段标记为不稳定工况,并针对不稳定工况的具体特点,提出利用视频图像信号中的三维相位信息来描述其形态结构信息。基于相位一致性原理,构建了一个新的三维结构描述子表征火焰视频的动态结构信息,即三正交平面相位一致性直方图（HOPC-TOP）,可较好描述不稳定工况的视频动态特性。（3）基于3DBLBP和HOPC-TOP,设计了一种基于火焰视频提取三维时空特征的回转窑燃烧工况识别方法。该方法通过提取视频中的三维时空信息,捕捉回转窑烧结带火焰图像序列的时空形态和结构信息,实现对不同燃烧工况的识别。由3DBLBP和HOPC-TOP提取的3D特征融合形成回转窑火焰视频时空特征,能够很好地表征火焰视频序列的时空形态与纹理结构。结合支持向量机实现了对正常工况96.76%,欠烧结工况92.63%,不稳定工况86.72%的识别精度,验证了论文所提出的方法对回转窑烧结工况识别的有效性。
彭涛[3]（2020）在《基于深度学习的回转窑燃煤图像去雾与燃烧状态识别研究》文中指出回转窑在许多工业领域都获得了应用,如冶炼金属、生产水泥、生产钢铁等,在窑内高温环境下,物料混合物处于运动过程中,通常会发生比较复杂的物理反应与化学反应,窑内的燃烧状态与稳定性对物料的烧结质量、能量的消耗以及污染物的排放有着重要的影响。由于回转窑烧结过程复杂,对烧结过程进行数学建模,通常都有一定的困难。窑内燃烧状态的实时监测是在燃煤烧结过程中稳定性控制的重点和难点,检测的准确性直接影响回转窑自动控制的水平,对于回转窑应用在工业行业中,有着非常重要的意义。通过燃煤火焰图像能把回转窑在燃烧时的烧结状态很好的表现出来,比如可以由亮度信息把回转窑在烧结时的辐射热度以及燃烧效果反应出来。传统的回转窑监测系统直接以温度为测量目标,如热电偶、高温比色测量仪等监测方法。而因为现场的环境以及窑体的结构存在局限性,这些方法都不能准确监测烧结带的烧结状况,不能使回转窑自动监测系统获得较好的效果。近年来,以火焰图像识别燃烧状态的方法应用于智能监测系统得到许多学者的研究,利用燃煤图像识别燃烧状态的方法引起了国内外学术界的关注。当前对燃煤火焰图像做处理方法主要有把图像进行分割、人工特征提取以后做模式识别。这些图像处理方法通常存在算法复杂度高、依赖人工经验等问题。并且基于图像的检测方法通常以清晰的图像为识别对象,而窑前恶劣的现场环境会严重影响火焰图像质量,由于窑内经常充满烟尘导致拍摄到的火焰图像较模糊、清晰度较低。本文针对回转窑燃煤火焰图像受烟尘影响的问题以及对燃烧状态识别的研究,提出了利用深度学习的方法对回转窑火焰图像去雾与燃烧状态识别。本文的研究工作主要包括以下内容:1.提出基于深度学习的方法去除回转窑火焰图像的雾度。该去雾方法是在重新配置了大气散射模型的基础上设计的,它与大多数去雾模型不同的地方是没有分别估算传输矩阵和全球大气光值两个参数,而是使用一个轻量级卷积神经网络把雾图直接恢复成清晰图像。这种端到端去雾方法的设计很容易嵌入到其他深度学习模型（例如,faster R-CNN）,对模糊图像的高级任务性能有所提高。在合成雾图、自然模糊图像和回转窑火焰图像数据集上的实验结果证明了该算法在PSNR,SSIM和主观视觉质量方面都要优于传统图像去雾技术的性能。此外,当将本文的卷积神经网络与faster R-CNN连接并从头到尾训练联合管道时,通过实验表明对模糊图像的检测性能上有大幅度提升。2.提出基于迁移学习的方法识别回转窑的燃烧状态识。CNN对于图像特征提取有很好的性能,并且对运算具有一定的不变性。目前的神经网络模型具有计算量大、计算资源高的特点,而深度卷积神经网络模型容易出现局部优化问题,因此迁移学习成为理想的选择。为了提高整体识别性能,本文应用了迁移学习方法对图像进行分类,将参数初始化模型与迁移学习模型进行了比较,并与其他传统的图像分类方法进行了比较。通过实验结果表明,该方法能明显提高回转窑燃烧状态的准确率,具有较好的鲁棒性和泛化能力,并且能克服传统图像识别算法依赖人工提取特征的特点。研究表明,利用卷积神经网络对回转窑火焰图像去雾不管是在测量指标上还是视觉效果上都有很好的性能,这为图像的高级处理奠定了基础;并且基于深度学习识别回转窑的燃烧状态,该方法识别的准确率高、处理速度快,优于传统的图像识别方法。
齐涵[4]（2019）在《基于FCM的氧化铝回转窑火焰图像分割研究》文中研究指明准确的判断回转窑内的燃烧状态是回转窑生产中重要的步骤之一,正确的识别回转窑火焰的燃烧情况不仅可以增加回转窑的生产效率,节约成本,提高产品的生产质量,还可以保障工作人员的人身安全,减少生产过程中污染物的排放量。随着对计算机软件技术研究的不断深入,利用计算机技术解决回转窑火焰图像的识别问题是目前工作工业生产的主要方式之一。本文对回转窑火焰图像的识别进行研究,分析图像分割在回转窑汇火焰图像中的应用,并利用常用的算法对回转窑火焰图像进行分割。针对传统模糊聚类算法（FCM）对火焰图像分割效果较差加以改进,将改进的算法应用于火焰图像中,通过实验分析对比,得出改进算法的有效性和对火焰图像分割的准确性。主要研究工作如下:（1）分析回转窑的工作过程,阐述研究回转窑火焰图像分割的重要性。针对回转窑具有大滞后,多变量,强耦合、非线性以及火焰检测识别的困难等问题进行了简要的分析,以及对回转窑火焰图像的传统检测识别方法给出了准确的描述,针对传统检测方式的缺点,从而给出计算机应用技术在回转窑火焰图像识别的优势,引出各算法的回转窑火焰图像中应用。（2）利用多种算法对氧化铝回转窑火焰图像进行分割。回转窑火焰图像较为复杂,被污染程度较高,针对目前常用于回转窑火焰图像算法进行研究。详细的给出各算法的定义以及运行步骤,分析、阐述各算法的优点和缺点,选取多个算法对回转窑火焰图像进行分割,并对图像分割的结果进行实验分析。（3）将基于能源噪声的FCM改进算法应用于氧化铝回转窑火焰图像。考虑到火焰图像的复杂性和产生的环境,传统的模糊聚类算法仅仅考虑像素点的欧氏距离,忽略图像的空间相关性导致无法实现准确的分割效果,在传统聚类算法的基础上,提出一种基于能源检测的FCM分割算法,通过引入能源曲线函数,设计像素点成为噪声点的概率,增加像素点的空间相关性,其次在加权滤波的基础上,结合像素的空间信息增强算法的抗噪性,同时设计空间距离的约束函数,通过推导新的隶属度函数,提高算法对火焰图像的分割的有效性。（4）将基于核函数的FCM与MRF相结合的改进算法应用于氧化铝回转窑火焰分割。结合空间相关性的核函数模糊聚类算法在对回转窑火焰图像进行分割时,具有较高的分割准确性,但是运算速度较低,将改进的FCM与马尔科夫随机场（MRF）相结合,利用结合核函数的空间FCM算法对火焰图像进行预处理,然后求取FCM和MRF约束场,最后对火焰图像进行最大概率的分割,通过几种算法对回转窑火焰图像的分割时间和分割准确度对比,充分验证了改进算法在回转窑火焰图像的高效性和实用性。
周婷[5]（2019）在《基于GDGIF滤波器的图像去雾算法研究》文中研究指明在雾霾、粉尘环境下采集的图像存在颜色失真、细节缺失等质量问题,在遥感、交通、人脸识别等应用中会给后续处理带来困难,因此图像去雾是机器视觉与图像处理的研究热点,应用面非常广泛。有效提升去雾速度是现有算法的一个关键问题。暗原色先验理论简单有效,基于此理论的去雾算法效果较好而备受关注,但该算法去雾后的图像易受光晕效应影响,需利用抠图算法来准确估计透射率。然而,抠图算法复杂度高且占内存空间大因而不利于实时处理。本文分析雾天图像的降质机制,深入研究了基于GDGIF滤波的图像快速去雾和相关色彩改善方法,并针对回转窑燃煤火焰图像进行了应用研究,在自然图像和工业回转窑燃煤火焰图像上进行了大量的去雾实验。本文研究工作的内容分为以下几点:（1）针对暗原色先验去雾算法中抠图存在耗时严重、占用内存大等问题,研究了基于GDGIF滤波器对透射率进行准确估计的新方法。该算法时间复杂度是线性的,可有效提升算法的效率,且GDGIF滤波器具有出色的边缘保持特性,在景深突变区域仍可精确的估计出透射率,进而能克服黑斑效应、光晕效应。（2）针对去雾算法处理恢复后的去雾图像存在色调暗沉的问题,我们深入剖析并解释了该问题出现的原因,接着重新引入大气散射模型,从该模型出发定义出模拟无雾图,并利用图像融合技术,将该模拟无雾图与基于GDGIF滤波去雾后的去雾图像做像素级融合处理,以改善去雾图像的色彩,解决已有算法的过去雾问题。实验数据表明,该方法可有效提升图像可见度与亮度,且对于在浓雾天气下采集到的带雾图像仍适用。（3）回转窑工业处理过程中采集的燃煤火焰图像因受各类粉尘和光源的影响而模糊不堪,严重影响了该图像后续操作的开展。考虑到已有方法对回转窑火焰图像增强效果不理想,本文提出了一种自适应火焰图像去雾算法,该算法可自动选取大气光值。通过实验证明,本文提出的方法可清晰自然的复原出火焰图像,且图像中的各区域都能得到有效的增强。
徐超[6]（2019）在《基于深度卷积网络的窑内工况燃煤火焰图像识别算法研究》文中研究说明回转窑是建材、冶金、化工等工业领域的大型关键热工设备。窑内烧结过程复杂多变,利用窑内燃煤火焰图像进行工况识别和判断是后续进行稳定控制的基础和关键。目前,深度学习在语音识别、图像处理、互联网应用等多个领域已获得成功应用,本文基于深层卷积神经网络进行窑内工况的燃煤火焰图像识别算法研究,同时将免疫遗传算法优化卷积网络参数设计提高图像识别性能,对于深度学习的工业软测量应用具有重要意义。主要研究内容分为以下几点:（1）研究了卷积神经网络（CNN）架构和基础理论。分析了卷积运算、激活函数、池化、全连接、dropout层等基本操作模块和卷积神经网络中反向传播以及梯度下降等核心运算,在此基础上给出了卷积神经网络的基本结构以及计算流程。（2）针对窑内燃煤火焰图像粉尘大、易受干扰等特点,选择图像灰度化后的中值滤波和GIF去雾对火焰图像进行了预处理,并根据“过烧”、“正烧”以及“欠烧”三种工况状态进行人工标定形成回转窑烧成带的工况识别图像数据集。（3）分析了AlexNet、VGGNet、GoogleNet以及ResNet四种卷积神经网络模型结构,利用上节窑内火焰图像集基于Tensorflow仿真平台进行了窑内燃煤火焰图像识别实验。实验结果表明:AlexNet不收敛,VGGNet出现了过拟合,GoogleNet收敛速度慢,最终选取ResNet深度网络作为窑内工况燃煤火焰图像识别模型。（4）最后,利用免疫遗传算法优化ResNet网络的卷积层以及全连接层初始权值,并通过遗传优化解的对比与迭代时间的综合考虑选取免疫遗传控制参数。试验对比发现,免疫遗传优化后的ResNet网络识别率提高了4%,同时损失函数收敛速度得到较大的提升。
夏永丰[7]（2018）在《水泥回转窑温度控制方法的研究》文中进行了进一步梳理回转窑是水泥熟料烧成系统的核心设备,水泥熟料的烧成质量和产量直接取决于回转窑窑内温度。本文通过分析水泥回转窑的工艺流程,阐述了窑内温度的稳定对于提高水泥熟料的质量、产量以及降低能耗等具有重要意义。水泥回转窑烧成系统具有多变量、大滞后、强耦合以及时变非线性等特性,目前国内多采用热电偶进行窑内温度的测量,但其易受耐高温材料的限制,并且温度测量范围具有局限性;同时,窑内工况始终处于动态变化之中,难以建立精确的烧成系统数学模型,常规控制方法不易于实现对水泥回转窑温度的良好控制。为了实现对水泥回转窑温度的有效控制,本文以吉林省某日产5000t/d水泥熟料的生产线作为研究背景,进行了以下研究:在水泥回转窑温度测量方面,设计了基于图像处理技术的温度测量方法。该方法首先采用自适应开关中值滤波对采集的窑内视频图像进行去噪处理;然后,采用基于搜寻者优化算法的K-means聚类算法对去噪后的图像进行图像分割,分割出烧成带特征量物料区;最后,运用神经网络比色测温法计算出烧成带温度。通过仿真实验研究,表明了该方法的有效性。在水泥回转窑温度控制方面,论文在强化学习的理论基础研究之上,设计了基于Q-learning和ISOA（Improved Seeker Optimization Algorithm）的水泥回转窑温度控制策略。该策略以烧成带温度状态变化为强化信号,通过调节喂煤量、主排风机转速和回转窑转速,从而实现对水泥回转窑温度的有效控制。对该方法进行Matlab仿真实验,结果表明了该控制策略的有效性。最后,在分析水泥回转窑温度集散控制系统（DCS）基本结构的基础上,设计了回转窑温度控制系统的软硬件,并且在MFC图形化编程的基础上,进行了用户监控界面的设计。
林彦君[8]（2015）在《基于火焰图像的回转窑烧结过程的燃烧状态识别方法研究》文中认为火焰图像可以有效反应回转窑烧结过程的燃烧状态，例如，亮度信息反映了燃烧过程中的辐射热度和燃烧效果，火焰形状则反映了燃烧反应发生区域的形状。近年来，基于火焰图像的回转窑燃烧状态识别引起了广泛关注。现有的基于火焰图像的识别方法大多以图像分割、特征提取以及模式分类为主要识别模式，这些识别方法大多存在处理时间长的问题。另外，这些方法很难有效处理由外界因素引起的火焰图像非结构失真问题。论文针对基于火焰图像的回转窑燃烧状态识别问题展开了深入研究，利用图像结构相似性指标提出了两种新的识别方法。论文主要学术贡献如下：1)提出一种基于火焰图像空间域结构相似性（SSIM）的回转窑燃烧状态识别方法。该方法依托人眼视觉对结构信息更为敏感的识别机理，从火焰图像的亮度、对比度和结构三个角度衡量图像间的结构相似度，采用了将火焰图像与标准图库中正常状态火焰图像结构相似度比较的方法，识别火焰图像的燃烧状态。SSIM具有表达形式简单、计算复杂度低的优点，识别过程无需对图像进行训练与学习，因此所提方法能够满足回转窑控制系统在线识别的快速性要求。大量仿真实验证明了该方法的快速性和有效性。2)为了处理采集到的火焰图像微小几何失真的问题，论文给出一种改进的小波域结构相似性（WDSSIM）指标和一种新的小波子带加权算法，提出一种基于火焰图像小波域结构相似性（WDSSIM）的回转窑火焰图像燃烧状态识别方法。该方法依据不同子带的小波系数的相似关系来判别火焰图像间的相似性，可以弥补空间域SSIM识别方法不能有效处理图像几何失真的不足。仿真实验证明了该方法对非结构失真及噪声污染较为严重的火焰图像有较好的识别效果。
杨绪辰[9]（2015）在《回转窑烧结带温度的数字图像特征信息提取与分析》文中认为氧化铝回转窑在生产过程中由于受到复杂的工况和环境的影响，难以控制其质量，在生产过程中，烧结带温度作为衡量氧化铝质量中众多指标中最有效的指标之一，其温度测量在氧化铝生产中的应用较为普遍。回转窑在生产过程中受到设备的旋转型和远距离生产这些因素的影响，很难通过接触式测温仪来测温。传统的测温方式多以“人工看火”来得到氧化铝烧结带温度，这很难避免受到人为因素的干扰，人的经验、窑内当时的环境都是影响测温精度的重要因素。同时，非接触式中点式测温计虽能避免人为对测温精度的影响，不过，点式的测得温度难以避免偶然误差的影响，也不能作为烧结带区域的平均温度。针对上述测温仪的不足，本文旨在利用数字图像处理技术，提取图像的基色分量信息特征，综合热辐射基本原理和CCD摄像机对电荷的耦合和成像原理，通过这些原理和步骤来得到烧结带温度。本文首先根据热辐射基本原理得到高温热辐射体的测温方法，结合CCD摄像机的成像和电荷耦合的性质，通过现场标定实验，标定出CCD摄像机在热辐射体测温系统中CCD响应系数。本文首先根据得到图像的噪声的不规则性，利用改进的滤波窗口对噪声有效的滤除，然后根据烧结带区域和火焰区域的空间位置特征，得到含有背景区域的烧结带区域和火焰区域，最后根据这两部分区域与背景区域灰度值明显的差异化，分别得到烧结带区域和火焰区域。根据CCD测温系统得到图像中特定目标区域烧结带的平均温度值。利用对采集的多幅回转窑图像验证，得到的烧结带区域温度误差都在可控范围。最后，结合现场实际情况，对整个过程动态仿真。
王琦[10]（2014）在《氧化铝回转窑火焰图像分割算法研究》文中指出氧化铝回转窑是一种大型的、复杂的、连续的现代热工生产设备，烧成带温度是目前大部分烧结控制策略的被控变量。火焰图像中包含大量温度相关信息，利用图像处理技术进行烧成带温度检测，其基础是对火焰区、物料区和整体灰度特征的分析，因此实现上述特征区域的精确分割显得尤为必要。受窑内烟尘、物料和火焰等因素的影响，火焰图像分割具有很大挑战性。本文对此开展了深入研究，取得的主要成绩如下：（1）针对火焰区和物料区纹理特征差异明显的特点，探索了轮廓波在火焰区和物料区分割中的应用。通过对图像进行分块Contourlet分解，求取子带系数方差作为表征图像纹理的特征向量，再以特征向量作为输入，采用FCM法聚类得到分割结果。实验证明，该方法分割精度满足要求，但算法复杂，处理时间长。（2）结合信息熵的概念提出了一种基于局部熵的烧成带分割方法。该方法通过计算图像局部熵，根据火焰区和物料区的纹理差异，通过阈值分割提取物料区边缘，并进行形态学的边缘连接和图像填充完成图像分割，仿真实验证明了该方法的有效性和时效性。
二、回转窑燃烧图像中火焰区的动态标定（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、回转窑燃烧图像中火焰区的动态标定（论文提纲范文）
（1）燃煤炉窑烧结系统的混沌分析与特征提取（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 混沌研究概述 |
| 1.3 复杂工业系统中混沌的研究与应用 |
| 1.4 工业噪声的研究现状 |
| 1.5 窑炉烧结工况检测的研究现状 |
| 1.6 现有研究工作存在的问题和挑战 |
| 1.7 本文的研究内容和结构安排 |
| 第2章 混沌分析和预测方法 |
| 2.1 引言 |
| 2.2 相空间重构 |
| 2.2.1 基于延时坐标嵌入技术的相空间重构方法 |
| 2.2.2 延迟时间的估计 |
| 2.2.3 嵌入维数的估计 |
| 2.3 混沌特征辨识方法 |
| 2.3.1 李雅普诺夫指数谱 |
| 2.3.2 最大李雅普诺夫指数 |
| 2.3.3 分数维 |
| 2.4 基于相空间重构的混沌时间序列预测方法 |
| 2.5 本章小结 |
| 第3章 烧结系统中热工变量的混沌特征辨识 |
| 3.1 引言 |
| 3.2 实验对象和实验数据介绍 |
| 3.3 烧结温度数据的混沌特征分析 |
| 3.3.1 烧结温度数据提取 |
| 3.3.2 烧结温度数据的混沌特征辨识 |
| 3.3.3 烧结温度的三维相图 |
| 3.3.4 烧结温度混沌时间序列预测 |
| 3.4 窑头温度的混沌特征辨识 |
| 3.4.1 窑头温度数据 |
| 3.4.2 窑头温度数据的混沌特征辨识 |
| 3.5 本章小结 |
| 第4章 烧结系统中噪声的混沌特征和多分形特征分析 |
| 4.1 引言 |
| 4.2 氧化铝回转窑噪声数据的提取 |
| 4.2.1 基于小波包分解的噪声提取 |
| 4.2.2 基于Gao方法的噪声提取 |
| 4.3 噪声数据的混沌特征分析 |
| 4.4 噪声数据的统计特征分析 |
| 4.4.1 基于白噪声零假设的代替分析 |
| 4.4.2 基于彩色噪声零假设的代替分析 |
| 4.5 噪声数据的多分形特征分析 |
| 4.5.1 MFDFA方法和多分形特征简介 |
| 4.5.2 彩色噪声的单分形特征 |
| 4.5.3 回转窑噪声的多分形特征分析 |
| 4.5.4 回转窑噪声的多分形特征的来源分析 |
| 4.6 本章小结 |
| 第5章 窑头温度混沌时间序列在线预测 |
| 5.1 引言 |
| 5.2 基于混合动态预测框架的窑头温度混沌时间序列在线精确预测 |
| 5.2.1 基于固定滑窗技术的局部Volterra滤波器 |
| 5.2.2 偏差补偿 |
| 5.3 具有时滞特征的MG方程产生的混沌时间序列的精确预测 |
| 5.3.1 未加噪声的Mackey-Glass混沌时间序列的预测 |
| 5.3.2 加噪声的Mackey-Glass混沌时间序列的预测 |
| 5.4 窑头温度混沌时间序列的精确在线预测 |
| 5.4.1 模型的参数估计 |
| 5.4.2 对比模型和参数设置 |
| 5.4.3 结果和分析 |
| 5.5 本章小结 |
| 第6章 基于混沌特征量的火焰温度变化趋势识别方法 |
| 6.1 引言 |
| 6.2 火焰温度变化趋势的混沌特征提取方法 |
| 6.3 基于标准数据的方法有效性验证 |
| 6.3.1 样本熵 |
| 6.3.2 实验设计 |
| 6.3.3 实验结果和分析 |
| 6.4 基于实际火焰视频的方法有效性验证 |
| 6.4.1 实验数据的提取 |
| 6.4.2 实验数据的分析 |
| 6.4.3 基于固定温度区间的方法有效性验证 |
| 6.4.4 基于不固定温度区间的方法有效性验证 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录A 发表论文和参加科研情况说明 |
| 致谢 |
（2）基于动态图像视频特征的回转窑烧结工况研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 回转窑工况识别的研究现状 |
| 1.2.2 局部二值模式的研究现状 |
| 1.2.3 相位一致性的研究现状 |
| 1.3 本文的主要研究内容和组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文的组织结构 |
| 第2章 理论基础与工况识别框架 |
| 2.1 回转烧结过程工艺描述 |
| 2.2 烧结图像数字化与特征分析 |
| 2.2.1 图像采集 |
| 2.2.2 烧结图像特征分析 |
| 2.3 回转窑烧结工况的识别方法 |
| 2.3.1 支持向量机 |
| 2.3.2 极限学习机 |
| 2.4 基于图像序列工况识别的框架 |
| 2.5 小结 |
| 第3章 三维简洁局部二值模式编码 |
| 3.1 局部二值模式编码 |
| 3.1.1 LBP特征 |
| 3.1.2 改进的LBP算法 |
| 3.2 局部体积二值模式(VLBP) |
| 3.3 三维简洁局部二值模式(3DBLBP) |
| 3.4 小结 |
| 第4章 三维相位一致性直方图描述 |
| 4.1 一维相位一致性 |
| 4.2 二维相位一致性 |
| 4.3 三正交平面相位一致性直方图(HOPC-TOP) |
| 4.3.1 构建HOPC-TOP的三维时空特征空间 |
| 4.3.2 相位一致性的幅度与方向计算 |
| 4.3.3 HOPC-TOP特征描述符 |
| 4.4 小结 |
| 第5章 基于时空特征的工况识别 |
| 5.1 预处理 |
| 5.2 时空特征融合 |
| 5.3 实验结果与分析 |
| 5.3.1 实验配置 |
| 5.3.2 时空特征的性能比较 |
| 5.3.3 静态特征与动态特征的性能比较 |
| 5.3.4 动态特征不同参数对工况性能的影响 |
| 5.3.5 3DBLBP在其他领域的性能测试 |
| 5.4 小结 |
| 结论 |
| 参考文献 |
| 附录 A 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（3）基于深度学习的回转窑燃煤图像去雾与燃烧状态识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 回转窑燃烧状态识别研究现状 |
| 1.2.2 图像去雾算法的研究现状 |
| 1.2.3 深度学习在图像识别技术的应用现状 |
| 1.3 本文研究内容与各章节安排 |
| 第2章 图像去雾与燃烧状态识别的理论基础 |
| 2.1 大气散射模型 |
| 2.2 神经网络 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积神经网络的结构 |
| 2.3.2 卷积神经网络的训练 |
| 2.3.3 卷积网络的生物视角 |
| 2.4 本章小结 |
| 第3章 基于卷积神经网络的回转窑火焰图像去雾 |
| 3.1 引言 |
| 3.2 基于卷积神经网络的图像去雾算法 |
| 3.3 基于卷积神经网络的回转窑火焰图像去雾 |
| 3.3.1 去雾后图像表达式 |
| 3.3.2 去雾网络模型设计 |
| 3.4 实验与结果分析 |
| 3.4.1 数据集和实验设置 |
| 3.4.2 合成雾图的实验结果 |
| 3.4.3 视觉效果评估 |
| 3.4.4 与高级视觉任务联合的性能评估 |
| 3.4.5 时间的评估 |
| 3.5 本章小结 |
| 第4章 基于深度学习的回转窑燃烧状态识别 |
| 4.1 引言 |
| 4.2 VGG-16网络 |
| 4.3 基于深度学习的回转窑燃烧控制系统 |
| 4.3.1 回转窑火焰图像燃烧状态分析 |
| 4.3.2 基于CNN模型的迁移学习 |
| 4.3.3 基于迁移VGG-16网络的燃烧状态识别模型 |
| 4.4 实验与结果分析 |
| 4.4.1 实验数据集 |
| 4.4.2 实验设置 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 结论 |
| 1 全文工作总结 |
| 2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 附录 A攻读硕士学位期间所发表的学术论文 |
（4）基于FCM的氧化铝回转窑火焰图像分割研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 传统氧化铝回转窑温度监测的方法 |
| 1.3 氧化铝回转窑火焰图像的研究现状 |
| 1.4 主要工作及章节安排 |
| 1.4.1 主要工作 |
| 1.4.2 章节安排 |
| 第2章 传统氧化铝回转窑火焰图像分割方法 |
| 2.1 引言 |
| 2.2 基本分割方法 |
| 2.2.1 阈值分割法 |
| 2.2.2 边缘检测法 |
| 2.2.3 区域特性分割法 |
| 2.2.4 分水岭分割法 |
| 2.3 基于特定理论的分割法 |
| 2.3.1 神经网络法 |
| 2.3.2 小波变换法 |
| 2.3.3 遗传算法 |
| 2.4 本章小结 |
| 第3章 基于能源噪声检测的FCM回转窑火焰图像分割 |
| 3.1 聚类算法 |
| 3.1.1 聚类定义 |
| 3.1.2 聚类算法的分类 |
| 3.2 FCM及改进 |
| 3.2.1 传统FCM |
| 3.2.2 NDFCM |
| 3.3 改进的FCM算法 |
| 3.3.1 ENFCM |
| 3.3.2 算法实现 |
| 3.4 实验结果与分析 |
| 3.4.1 分割效果比较 |
| 3.4.2 分割质量评价 |
| 3.4.3 抗噪稳定性分析 |
| 3.5 本章小结 |
| 第4章 核函数FCM与 MRF联合的回转窑火焰分割 |
| 4.1 MRF基本概念 |
| 4.1.1 基本概念 |
| 4.1.2 邻域和子团 |
| 4.1.3 马尔克夫随机场 |
| 4.2 基于核函数的FCM算法 |
| 4.2.1 核函数的基本概念 |
| 4.2.2 核函数FCM算法 |
| 4.3 自适应FCM与 MRF结合的回转窑图像分割方法 |
| 4.4 实验结果与分析 |
| 4.4.1 回转窑火焰图像的分割结果 |
| 4.4.2 分割结果的定量比较 |
| 4.5 本章小结 |
| 第5章 结论和展望 |
| 5.1 本文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间科研成果 |
（5）基于GDGIF滤波器的图像去雾算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于非物理模型的图像去雾算法 |
| 1.2.2 基于物理模型的图像去雾算法 |
| 1.3 本文内容与结构 |
| 1.3.1 本文主要内容 |
| 1.3.2 本文结构 |
| 1.4 本章小结 |
| 第2章 基于DCP理论的去雾算法 |
| 2.1 大气散射模型(ASM模型) |
| 2.2 DCP理论去雾 |
| 2.2.1 DCP理论 |
| 2.2.2 基于DCP理论的去雾 |
| 2.3 透射率细化的相关研究工作 |
| 2.3.1 双边滤波(BF) |
| 2.3.2 中值滤波(MF) |
| 2.3.3 引导滤波(GIF) |
| 2.3.4 结果对比 |
| 2.4 本章小结 |
| 第3章 基于GDGIF滤波器和图像融合的图像去雾算法 |
| 3.1 基于GDGIF滤波器的去雾算法 |
| 3.1.1 GDGIF滤波器工作原理 |
| 3.1.2 利用GDGIF细化透射率 |
| 3.1.3 估计大气光值 |
| 3.1.4 复原无雾图像 |
| 3.1.5 λ 值的选取 |
| 3.2 基于图像融合的去雾算法 |
| 3.2.1 模拟无雾图 |
| 3.2.2 图像融合的基本知识 |
| 3.2.3 图像融合去雾 |
| 3.3 算法操作步骤与结果对比 |
| 3.3.1 算法操作步骤 |
| 3.3.2 实验结果 |
| 3.3.3 对比已有的去雾算法 |
| 3.4 本章小结 |
| 第4章 回转窑燃煤火焰图像去雾 |
| 4.1 回转窑燃煤火焰图像的检测背景 |
| 4.2 基于图像去雾的火焰图像增强 |
| 4.2.1 已有算法对燃煤火焰图像去雾 |
| 4.2.2 一种自适应火焰图像去雾算法 |
| 4.3 算法操作步骤与实验结果对比 |
| 4.3.1 算法操作步骤 |
| 4.3.2 实验结果和对比 |
| 4.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 附录A 攻读硕士学位期间参研项目 |
| 致谢 |
（6）基于深度卷积网络的窑内工况燃煤火焰图像识别算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容 |
| 第2章 卷积神经网络 |
| 2.1 卷积神经网络的演变 |
| 2.2 卷积神经网络基本操作 |
| 2.2.1 卷积操作 |
| 2.2.2 激活函数操作 |
| 2.2.3 池化操作 |
| 2.2.4 全连接层 |
| 2.2.5 反向传播 |
| 2.2.6 梯度下降法 |
| 2.2.7 dropout层 |
| 2.3 卷积神经网络基本结构 |
| 2.3.1 卷积神经网络结构 |
| 2.3.2 卷积神经网络求解步骤 |
| 2.4 卷积神经网络在图像识别上的优势与挑战 |
| 2.4.1 卷积神经网络在图像识别上的优势 |
| 2.4.2 卷积神经网络在图像识别上的挑战 |
| 2.5 小结 |
| 第3章 回转窑燃煤火焰图像预处理 |
| 3.1 窑内火焰图像的采集 |
| 3.2 燃煤火焰图像的工况标定 |
| 3.3 图像预处理 |
| 3.3.1 图像灰度化 |
| 3.3.2 图像去雾 |
| 3.3.3 图像去噪 |
| 3.4 小结 |
| 第4章 深度卷积网络识别燃煤火焰图像研究 |
| 4.1 四种CNN模型分析 |
| 4.1.1 AlexNet模型 |
| 4.1.2 VGGNet模型分析 |
| 4.1.3 GoogleNet模型分析 |
| 4.1.4 ResNet模型分析 |
| 4.2 基于窑内工况的火焰图像识别实验对比 |
| 4.2.1 TensorFlow框架介绍 |
| 4.2.2 硬件平台 |
| 4.2.3 网络结构设计与参数选择 |
| 4.3 卷积网络图像识别过程及结果 |
| 4.4 小结 |
| 第5章 免疫遗传进化卷积网络性能分析 |
| 5.1 免疫遗传算法 |
| 5.2 免疫遗传进化卷积网络结构设计 |
| 5.2.1 遗传进化卷积神经网络方法 |
| 5.2.2 IGA优化卷积网络初始权重 |
| 5.3 仿真结果分析 |
| 5.4 小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录A 在学期间的研究成果及发表的学术论文 |
| 附录B 免疫遗传算法部分程序代码 |
| 附录C ResNet卷积网络训练部分程序代码 |
（7）水泥回转窑温度控制方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 水泥回转窑温度控制方法的国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本设计完成的主要工作 |
| 第2章 水泥回转窑温度影响因素分析及系统设计方案 |
| 2.1 新型干法水泥生产工艺流程 |
| 2.2 水泥回转窑工艺流程 |
| 2.3 水泥回转窑温度的主要影响因素 |
| 2.4 控制目标和难点分析 |
| 2.5 水泥回转窑温度控制系统的总体设计方案 |
| 2.6 小结 |
| 第3章 基于图像处理的水泥回转窑温度测量 |
| 3.1 水泥回转窑温度测量方案的确定 |
| 3.2 数字图像处理基础知识 |
| 3.2.1 数字图像的感知和获取 |
| 3.2.2 数字图像的数据结构 |
| 3.3 图像去噪的基本方法 |
| 3.3.1 空间域滤波方法 |
| 3.3.2 变换域滤波方法 |
| 3.4 本文采用的图像去噪方法 |
| 3.4.1 自适应开关中值滤波 |
| 3.4.2 实验结果与分析 |
| 3.5 图像分割的基本方法 |
| 3.5.1 阈值分割 |
| 3.5.2 区域分割 |
| 3.5.3 边缘分割 |
| 3.5.4 基于特定理论的分割方法 |
| 3.6 本文采用的图像分割方法 |
| 3.6.1 基于搜寻者优化算法的K-means聚类算法 |
| 3.6.2 算法的基本流程 |
| 3.6.3 实验结果与分析 |
| 3.7 温度测量的基本方法 |
| 3.7.1 接触式测温法 |
| 3.7.2 非接触式测温法 |
| 3.8 本文采用的测温方法 |
| 3.8.1 神经网络比色测温法 |
| 3.8.2 BP神经网络法测温标定模型 |
| 3.8.3 实验结果与分析 |
| 3.9 小结 |
| 第4章 水泥回转窑温度的控制 |
| 4.1 水泥回转窑温度控制方案的确定 |
| 4.2 水泥回转窑温度控制系统的总体结构 |
| 4.3 基于Q-learning和ISOA的水泥回转窑温度控制 |
| 4.3.1 Q-learning |
| 4.3.2 ISOA |
| 4.3.3 基于Q-learning和ISOA的算法 |
| 4.3.4 Q学习系统的设计 |
| 4.3.5 基于Q-learning和ISOA的算法流程 |
| 4.3.6 实验结果与分析 |
| 4.4 小结 |
| 第5章 水泥回转窑温度控制系统实现 |
| 5.1 控制系统的总体设计 |
| 5.2 控制系统的硬件设计与实现 |
| 5.3 控制系统的软件设计与实现 |
| 5.3.1 软件功能设计 |
| 5.3.2 OPC通讯设计 |
| 5.3.3 PLC控制程序设计 |
| 5.4 用户监控软件界面的设计 |
| 5.4.1 软件框架 |
| 5.4.2 软件初始化 |
| 5.4.3 软件设置 |
| 5.4.4 温度测量 |
| 5.4.5 控制量和被控量数据录入 |
| 5.4.6 温度控制 |
| 5.4.7 效果检验 |
| 5.5 小结 |
| 第6章 结论 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（8）基于火焰图像的回转窑烧结过程的燃烧状态识别方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 相关研究现状 |
| 1.2.1 回转窑燃烧状态识别技术的研究现状 |
| 1.2.2 结构相似性在图像领域的应用现状 |
| 1.3 论文主要内容 |
| 1.4 论文结构安排 |
| 第2章 基础知识 |
| 2.1 人眼视觉系统 |
| 2.2 客观图像质量评价指标 |
| 2.2.1 图像结构相似性指标 |
| 2.2.2 图像复小波域结构相似性指标 |
| 2.3 小波变换 |
| 2.3.1 小波变换思想 |
| 2.3.2 离散小波变换 |
| 2.3.3 正交小波变换 |
| 2.4 本章小结 |
| 第3章 回转窑烧结过程工艺及燃烧状态特征分析 |
| 3.1 回转窑在线识别系统工艺流程 |
| 3.2 回转窑烧结过程工艺流程 |
| 3.3 回转窑火焰图像燃烧状态特征分析 |
| 3.4 感兴趣区域 |
| 3.5 本章小结 |
| 第4章 基于火焰图像空间域结构相似性的回转窑燃烧状态识别方法 |
| 4.1 引言 |
| 4.2 基于火焰图像空间域结构相似性的回转窑燃烧状态识别方法 |
| 4.3 仿真实验 |
| 4.3.1 不同图像预处理的火焰图像燃烧状态识别实验 |
| 4.3.2 火焰视频燃烧状态识别实验 |
| 4.4 小结 |
| 第5章 基于火焰图像小波域结构相似性的回转窑燃烧状态识别方法 |
| 5.1 引言 |
| 5.2 小波域结构相似性指标 |
| 5.3 基于火焰图像小波域结构相似性的回转窑燃烧状态识别方法 |
| 5.4 仿真实验 |
| 5.4.1 不同类型失真的火焰图像燃烧状态识别实验 |
| 5.4.2 不同类型失真的火焰视频燃烧状态识别实验 |
| 5.5 小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间的主要成果 |
| 详细摘要 |
（9）回转窑烧结带温度的数字图像特征信息提取与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 回转窑测温技术概述 |
| 1.2.1 传统测温技术 |
| 1.2.2 图像测温技术 |
| 1.3 本文主要研究工作 |
| 第2章 图像预处理 |
| 2.1 图像获取与数字化 |
| 2.1.1 图像感知和获取 |
| 2.1.2 图像数字化 |
| 2.2 图像去噪 |
| 2.2.1 空间域滤波 |
| 2.2.2 频率域滤波 |
| 2.3 图像分割 |
| 2.3.1 灰度阈值分割方法 |
| 2.3.2 边缘检测分割方法 |
| 2.3.3 区域分割 |
| 2.3.4 运动分割 |
| 2.4 本章小结 |
| 第3章 基于 CCD 摄像机回转窑测温系统 |
| 3.1 热辐射相关知识 |
| 3.1.1 辐射相关参数 |
| 3.1.2 热辐射定律 |
| 3.1.3 辐射体的分类 |
| 3.2 辐射测温常用方法 |
| 3.2.1 全辐射测温 |
| 3.2.2 亮度测温 |
| 3.2.3 比色测温 |
| 3.3 彩色 CCD 测温系统 |
| 3.3.1 CCD 工作过程 |
| 3.3.2 基于彩色 CCD 摄像机的比色测温方法 |
| 3.4 回转窑测温系统标定 |
| 3.5 标定数据处理与分析 |
| 3.5.1 最小二乘法 |
| 3.5.2 回转窑图像数据处理 |
| 3.6 本章小结 |
| 第4章 图像处理及烧结带温度测量 |
| 4.1 氧化铝回转窑图像处理 |
| 4.1.1 回转窑图像滤波 |
| 4.1.2 回转窑图像分割 |
| 4.2 动态烧结带区域的温度实时监测 |
| 4.2.1 动态仿真的总体步骤 |
| 4.2.2 程序设计及仿真 |
| 4.2.3 动态仿真结果 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（10）氧化铝回转窑火焰图像分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 传统回转窑烧成带温度检测方法 |
| 1.3 回转窑图像处理研究现状 |
| 1.4 本文主要研究工作及组织结构 |
| 1.4.1 本文的主要研究工作 |
| 1.4.2 本文的组织结构 |
| 第二章 图像去噪和分割算法 |
| 2.1 图像去噪算法 |
| 2.1.1 噪声分类与模型 |
| 2.1.2 空域去噪算法 |
| 2.1.3 频域去噪算法 |
| 2.1.4 新型去噪算法 |
| 2.2 图像分割算法 |
| 2.2.1 基于边缘检测的分割算法 |
| 2.2.2 基于区域的分割算法 |
| 2.2.3 与特定理论相结合的分割算法 |
| 2.3 本章小结 |
| 第三章 回转窑火焰图像的预处理和粗分割 |
| 3.1 火焰图像特性分析及处理流程介绍 |
| 3.2 频域降噪和灰度变换 |
| 3.2.1 噪声分析 |
| 3.2.2 频域降噪 |
| 3.2.3 灰度变换 |
| 3.3 基于大津阈值法的粗分割 |
| 3.4 基于 FCM 聚类的粗分割 |
| 3.4.1 FCM 算法 |
| 3.4.2 FCM 算法粗分割结果 |
| 3.5 本章小结 |
| 第四章 基于轮廓波变换的回转窑火焰图像分割研究 |
| 4.1 轮廓波理论 |
| 4.2 纹理特征提取 |
| 4.2.1 纹理分析 |
| 4.2.2 纹理特征提取方法 |
| 4.3 基于 Contourlet 变换与 FCM 法的火焰物料混合区分割 |
| 4.3.1 算法流程 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 基于局部熵的回转窑火焰图像分割研究 |
| 5.1 信息熵与图像局部熵理论 |
| 5.1.1 信息熵 |
| 5.1.2 图像熵和局部熵 |
| 5.2 基于局部熵的火焰物料混合区域分割 |
| 5.2.1 算法流程 |
| 5.2.2 实验结果与分析 |
| 5.3 本章小结 |
| 第六章 结论和展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究生期间发表论文和参与的科研项目 |
| 1.发表论文 |
| 2.参与项目 |
| 详细摘要 |
四、回转窑燃烧图像中火焰区的动态标定（论文参考文献）
- [1]燃煤炉窑烧结系统的混沌分析与特征提取[D]. 吕明阳. 湖南大学, 2020
- [2]基于动态图像视频特征的回转窑烧结工况研究[D]. 晏婷婷. 湖南大学, 2020(08)
- [3]基于深度学习的回转窑燃煤图像去雾与燃烧状态识别研究[D]. 彭涛. 湖南大学, 2020(08)
- [4]基于FCM的氧化铝回转窑火焰图像分割研究[D]. 齐涵. 湘潭大学, 2019(02)
- [5]基于GDGIF滤波器的图像去雾算法研究[D]. 周婷. 湖南大学, 2019(07)
- [6]基于深度卷积网络的窑内工况燃煤火焰图像识别算法研究[D]. 徐超. 湖南大学, 2019(07)
- [7]水泥回转窑温度控制方法的研究[D]. 夏永丰. 长春工业大学, 2018(08)
- [8]基于火焰图像的回转窑烧结过程的燃烧状态识别方法研究[D]. 林彦君. 武汉科技大学, 2015(07)
- [9]回转窑烧结带温度的数字图像特征信息提取与分析[D]. 杨绪辰. 哈尔滨理工大学, 2015(07)
- [10]氧化铝回转窑火焰图像分割算法研究[D]. 王琦. 武汉科技大学, 2014(03)