一、支持向量机在图像去噪处理中的初步研究（论文文献综述）
辛通[1]（2020）在《基于声纳图像的沉底油识别软件设计与实现》文中研究表明伴随着全球海洋石油资源的不断开采,海上溢油事故随之增加。海上溢油事故一旦发生,会对环境造成几年甚至几十年的危害,因此受到当今各国的广泛重视。海上溢油事故发生后,如何快速有效的识别溢油是有效治理溢油事故的重中之重。本文基于前视声纳以及侧扫声纳两种声学探测设备得到的声纳图像开展研究,通过声纳图像与模式识别方法结合的方式完成水中沉底油目标识别,并基于软件工程技术完成软件的设计与开发。首先,本文对前视声纳、侧扫声纳两种声纳设备的成像原理进行阐述,并对声纳图像进行图像畸变校正、去噪、增强处理。第二,将预处理后的声纳图像结合图像分割、目标特征提取、分类器对声纳图像中沉底油目标进行识别,其中着重研究了sym4小波去噪方法、马尔可夫图像分割方法、图像灰度统计特征以及通过灰度共生矩阵获取的统计特征、基于支持向量机的分类识别方法。第三,以Py Charm2018（PyQt）为开发平台,结合基于声纳图像的目标识别技术,将沉底油目标识别软件设计为数据读取解析、图像处理辅助、图像预处理以及沉底油目标识别四个模块,完成基于声纳图像沉底油识别软件的设计与开发。该软件主要功能有:常见声纳原始数据Extended Triton Format（*.XTF）、Blueview Sonar Data（*.son）格式文件的读取解析、显示功能;侧扫声纳图像的速度修正、灰度修正以及声纳图像的图像增强功能;基于声纳图像的常见空间域滤波去噪功能以及小波去噪功能;基于最大类间方差法、C-means聚类分割方法以及马尔可夫随机场模型的图像分割功能;基于图像灰度统计方法以及图像灰度共生矩阵的特征提取功能;基于支持向量机分类方法的沉底油目标识别功能。在对本套基于声纳图像的沉底油软件功能验证过程中,分别使用前视声纳数据以及侧扫声纳数据进行功能验证,通过试验数据处理结果证明本套软件在功能上可以达到设计的预期要求,同时稳定完成水中沉底油的目标识别任务。
仝矿伟[2]（2020）在《矿用空压机工作状态红外识别关键技术研究》文中研究指明矿用空压机作为煤矿生产的重要动力源和安全保障设备,在煤炭安全高效生产中占有举足轻重的地位。矿用空压机的智能化水平制约着矿井压风系统的工作可靠性,而矿用空压机工作状态准确快速识别是实现其智能控制的前提。目前矿用空压机主要由人工定时巡检实现工作状态监测,并依靠操作工人的经验进行工作状态识别和故障诊断。因此,有必要对矿用空压机工作状态识别的关键技术进行研究,进而提高空压机的智能化水平。矿用空压机所处工况具有温度高、噪声强、振动剧烈的特征,红外热成像检测技术具有非接触、穿透性强及不受外部噪声及光照条件影响的特点。通过矿用空压机辐射的红外信号,可以实现对关键部件的状态识别。本课题以矿用空压机工作状态红外识别为研究目标,利用红外热成像检测技术获取空压机关键部件的工作状态图像,对原始红外图像中复杂背景噪声在线去除、超高维图像特征快速降维以及基于机器学习的空压机工作状态准确识别等方法和技术进行了深入研究。主要研究内容如下:（1）分析了矿用空压机的基本结构,并结合生产实际,详细研究了螺杆式空压机吸气、封闭、压缩和排气的工作原理,基于矿用空压机状态识别系统的功能需求,搭建了矿用空压机状态识别的总体框架,分析了其主要组成和识别流程。（2）设计了基于优化小波阈值的红外图像去噪算法,消除原始红外图像中包含的高斯噪声和冲击噪声,利用改进的果蝇算法获取各阶小波去噪阈值,并针对标准果蝇算法容易陷入局部最优的问题,引入动态步长分布算子增强全局和局部寻优能力。（3）研究了超高维数据的低维表征方法,提出了基于流形学习的非线性降维方法对红外图像进行降维,设计了矿用空压机状态识别评价系统,引入堵塞率ρ和堵塞程度判别因子Φ、温度偏离因子γ和空压机健康状态评价因子H对矿用空压机工作状态进行详细划分。（4）提出了基于优化支持向量机的矿用空压机运行状态识别算法,利用改进的蝙蝠优化算法对非线性支持向量机关键参数进行优化,并在基本蝙蝠算法的基础上,引入精英族群和探索族群增强蝙蝠算法的全局寻优能力,实现了矿用空压机工作状态的准确识别。设计并搭建了矿用空压机工作状态识别系统,在实验室和龙王庄煤业股份有限公司分别进行了实验。实验结果表明:该系统可以对矿用空压机红外图像进行有效处理,能够准确识别空压机关键部件的工作状态,为进一步提高空压机的智能化水平奠定了基础。该论文有图50幅,表18个,参考文献146篇。
孙娜[3]（2020）在《卷烟包装外观质量在线检测方法的研究》文中认为随着卷烟生产技术的快速发展,卷烟的卷接和包装速度高速运行,卷烟的包装外观不可避免的出现表面异常、边缘异常、拉线异常等缺陷,严重影响了产品质量和视觉效果。目前,在生产现场通常以阈值检测方法为主,即对需要的检测区域进行比对,设定阈值进行判别。该方法操作复杂,需要对图像进行精准定位,识别效果也欠佳。为此,本文将机器视觉技术与图像处理技术应用于卷烟包装外观质量检测中,利用经典机器学习算法中的支持向量机（SVM）和BP神经网络分类模型,以及深度学习技术中的卷积神经网络模型进行研究,并进行在线测试。具体如下:本文首先对条烟图像采集和图像预处理进行研究,介绍了卷烟包装外观质量检测设备的成像系统,研究了图像预处理方法,主要包括图像去噪技术,图像锐化增强技术,条烟图像定位算法。针对条烟包装外观质量检测方法,本文首先设计了基于机器学习的检测算法,该方法通过结合小波变换和灰度共生矩阵算法提取条烟特征参数,再分别利用支持向量机和BP神经网络对条烟图像进行分类识别。实验结果表明,这两种方法的识别准确率分别为96.1%和89.9%。其次,构建了基于卷积神经网络的条烟包装外观质量检测算法,在开源框架tensorflow上设计了一种具有十个隐含层的网络结构,并通过一系列超参数实验确定合理的网络参数,确定最优性能的网络模型。实验结果表明,该网络模型在本实验数据集上的识别率达到了98.78%,识别一张图像的时间为8ms。卷积神经网络方法不需要人工提取特征,避免了传统检测方法的繁琐性,从原理上革新了传统的条烟视觉检测方法。最后,介绍了卷烟包装外观质量检测系统的结构设计,并在线安装与测试。在此之前,分析了系统的软硬件结构,并对本文研究的检测方法进行了在线测试,测试结果较好,该套条烟包装外观质量视觉检测系统满足生产检测要求。
刘斯阳[4]（2020）在《适用于地图印刷的缺陷检测技术研究》文中认为地图印刷缺陷检测作为地图质量控制的重要环节,其检测技术的创新与发展对于促进地图生产和管理系统转型升级具有重要意义。为了提高地图印刷缺陷检测的自动化程度,进一步完善地图生产的数字化管理模式,本文以机器视觉检测系统组成、图像处理算法和机器学习思想为基础,对地图印刷缺陷图像的采集设备、图像预处理、缺陷检测以及缺陷分类算法等进行了较为深入的研究,并完善了系统功能模块。主要研究内容如下:1.改进了地图印刷缺陷检测系统的硬件方案。分析地图浅色普染缺陷难以检测的原因,设计了适用于地图缺陷检测的照明方案,最大限度地突出了普染区域。2.优化了适用于地图印刷缺陷检测的图像预处理算法。选择合适的模板制作方法,针对纸面与要素对比度较低的问题,设计了一种基于权值调整的灰度化方法,较大程度的提高浅色普染要素与纸面的对比度;设计了Gamma校正与CLAHE结合的图像增强算法,并通过实验给出最佳参数确定方法。针对图像采集中的噪声选择双边滤波,在保留边缘的同时滤除噪声。3.建立了基于机器学习的分类模型。首先设计了支持向量机的多分类算法,并通过实际产生的数据集进行实验;重点阐释了基于Faster R-CNN网络设计的针对本文需求的分类算法,设计实验证明在小样本数据集下其具有更好的分类效果。4.优化了地图缺陷检测系统的功能模块。改进了硬件管理模块和图像处理模块;重建了模型训练模块和缺陷分类模块,重点增加了基于卷积神经网络的分类模型的训练、更新和分类操作;添加了缺陷信息管理模块,为缺陷分类模型建立缺陷训练数据库,充分利用缺陷检测结果,指导地图分级,生成检测报告和更新分类模型。
李沛阳[5]（2020）在《矿用空气压缩机管路气体泄漏识别方法研究》文中提出矿用空气压缩机是煤矿安全生产的重要保障设备,压缩空气通过管路输送到井下,一方面用于给井下风锤、风泵等气动工具提供动力,另一方面保证井下有充足的氧气,保障煤矿工人们的生命安全。由于压缩气体具有高压特点,气体输送管路在运行中经常发生泄漏故障,目前针对此类泄漏故障的检测,主要通过巡检人员的听和看来判断管路是否发生泄漏,检测效率低,实时性差,导致煤矿生产中能源浪费和安全事故时有发生。此外,空压机房的温度高、噪音大,工人的工作环境十分恶劣。为了实现对矿用空气压缩机管路气体泄漏故障的实时监测,本文基于红外热成像技术获取泄漏管路的红外图像,通过改进萤火虫算法优化的小波阈值算法进行图像去噪,采用Otsu-Grabcut算法对图像进行分割,结合方向梯度直方图和灰度共生矩阵提取图像特征,并利用改进萤火虫算法优化的支持向量机实现空气压缩机气体输送管路的泄漏故障识别。论文的主要研究内容如下:（1）分析了矿用空气压缩机的基本结构,研究了气体输送管路泄漏的主要原因,提出了气体泄漏识别系统的功能需求,设计了基于红外热成像技术的空气压缩机管路气体泄漏识别系统架构和识别流程。（2）分析了矿用空气压缩机气体输送管路的温度特性,构建了气体输送管路泄漏的三维模型,设计了基于改进萤火虫算法和小波阈值去噪相结合的管路气体泄漏红外图像去噪算法,研究了Otsu-Grabcut红外图像分割算法,并通过仿真分析,验证了上述模型和算法的有效性。（3）设计了基于方向梯度直方图和灰度共生矩阵的矿用空气压缩机管路气体泄漏红外图像特征提取算法,基于改进萤火虫算法对支持向量机惩罚因子、核函数参数进行优化,将混淆矩阵作为支持向量机分类结果评价方法,用于评价支持向量机的分类准确度。（4）搭建了矿用空气压缩机管路气体泄漏识别实验平台,分别对管路泄漏、管路磨损和阀门泄漏故障进行了实验,测试了矿用空气压缩机管路气体泄漏识别系统的功能,验证了本文所研究的矿用空气压缩机管路气体泄漏识别方法的有效性,识别准确率约为96%,满足现场需求。该论文有图33幅,表19个,参考文献94篇。
杨森淋[6]（2020）在《基于红外成像的断路器故障检测技术的研究》文中研究表明断路器用于开断电力系统正常工作状态下的电流与出现故障时的短路电流,是电网系统中重要的组成部分,因此断路器热故障成了影响电网系统正常运行的主要因素之一。红外检测技术拥有适应性强、非接触性等优点被广泛地运用于断路器等电力设备的检修当中,但目前国内大多数还是采用人工检测方法,其效率较低费时费力。本文以瓷柱式SF6高压断路器作为研究对象,提出了一种断路器红外图像的自动分析处理方法,能实现高压断路器热故障的自动定位与判别,其具体内容如下:（1）研究断路器红外图像预处理的方法,通过分析高压断路器红外图像的噪声特点与常见噪声类型,对常用的几种去噪算法进行比较,并使用基于积分图像技术的非局部均值滤波算法加中值滤波算法过滤断路器红外图像中存在的噪声,然后通过L0范数平滑算法增强高压断路器红外图像的边缘。（2）针对随机游走图像分割算法需要人工标定种子点的缺陷,提出了一种基于最大最小距离法的快速模糊C均值聚类算法用于高压断路器红外图像的预分割并通过形态学处理为随机游走算法提供种子点,实现了随机游走算法的图像自动分割,经过实验验证,本文采用算法的图像分割效果更加接近于完全分割图像,能够实现对高压断路器的精准图像分割。（3）采用Hu不变矩提取被分割图像的特征值,然后使用支持向量机进行识别训练得到高压断路器识别模型,实现了对高压断路器的各组成设备的红外图像识别,实验结果表明识别模型的识别准确率到达98.75%。（4）研究高压断路器的发热特征,结合《带电设备红外诊断应用规范》,构建出断路器热故障诊断流程。（5）使用Matlab APP designer研制断路器热故障自动诊断的软件平台,通过实验验证了其准确性。
黄晶晶[7]（2020）在《基于机器视觉的在线薄钢板表面缺陷检测系统设计》文中指出随着机器视觉技术的发展,基于图像的检测技术不断用到工业生产中,近些年来由于薄钢板零部件的加工量大大增加,基于图像的钢板表面缺陷检测研究成为了众多领域研究的热点,由于钢板表面的缺陷种类繁多,传统检测技术已经不能满足人们对其准确性与高效性的需求。传统的检测方法的准确性和其较低的效率已经不能使人们和社会得到满足。基于机器视觉的表面缺陷检测方法的特点是准确率高,处理速度较快,能够智能处理,是表面缺陷检测的一大趋势。本文以在线薄钢板的表面缺陷为研究对象,运用传统机器视觉检测方法,研究设计了在线薄钢板的表面缺陷检测系统,主要开展以下工作:（1）针对传统的中值滤波和高斯滤波算法在滤除高斯噪声和椒盐噪声时保留图像边缘细节不足的问题,提出了一种基于偏微分中值滤波算法,然后为了增加钢板图像中缺陷目标和背景的对比度,对钢板图像进行了图像增强,通过对直方图均衡化和分段自适应伽马函数转换图像增强算法做对比,选择了分段自适应伽马转换函数对钢板缺陷图象进行图像增强。（2）通过实验验证表明传统的边缘检测和阈值分割技术无法对钢板表面缺陷特征进行很好的分割,最后提出了基于像元搜索改进的阈值分割算法,结果发现该算法完美的解决了边缘检测纹理细节保存和抵抗噪声的能力的协调问题。（3）在传统的HOG特征提取的基础上引入了信息熵加权和PCA特征降维对传统的HOG特征提取算法进行了改进,通过实验验证表明该算法有效性和适用性显着提高,最后用支持向量机对提取的缺陷特征信息进行训练和识别分类。（4）对薄钢板表面缺陷检测系统进行研究,选择了检测系统所需要的硬件设施,最后在交互界面显示缺陷检测分类结果。
吴超[8]（2019）在《基于计算机视觉的玫瑰鲜切花质量分级评价》文中指出随着越来越多的人对视觉享受和温馨生活环境的追求,人们对花卉的需求越来越大,花卉产业逐步成为我国的新兴产业。玫瑰鲜切花作为最受人们喜爱的花卉之一,其产量在逐年上升的同时,质量问题也变得越来越重要,已经成为花农、鲜切花生产企业以及鲜切花拍卖市场最为关心和关注的问题。本研究在鲜切花质量分级标准的基础上,以玫瑰鲜切花质量为研究对象,应用计算机视觉的方法提取各项指标,然后基于因子分析的方法对各项指标进行综合评价,最后构建基于支持向量机的玫瑰鲜切花质量分级评价模型,对玫瑰鲜切花的等级进行预测。研究内容主要可分三部分:（1）玫瑰鲜切花相关评价指标检测。本研究首先搭建玫瑰鲜切花图像采集系统,然后对采集的玫瑰鲜切花图像进行图像处理,包括了图像去噪、图像分割、灰度化处理、二值化处理以及数学形态学处理,最终得到边界清晰的二值图像,并且通过边缘检测得到图像的边缘以及图像的最小外接矩形和最小外接圆,最终得到17个特征指标值;（2）评价指标和专家数据的确定。首先利用因子分析方法对玫瑰鲜切花的17个指标进行因子分析,提取公共因子,然后通过提出的公共因子计算玫瑰鲜切花样本的综合得分,从而通过综合得分对样本进行分类,构成专家样本;（3）玫瑰鲜切花质量分级评价模型的构建。本研究基于支持向量机分类算法构建质量分级评价模型,并且通过网格搜索算法进行参数寻优。最终模型的测试集测试准确率达到了87%,达到了较好的预测效果,同时和其他分类算法进行对比,对比结果显示,基于支持向量机的模型效果更佳,表明所用理论和模型在玫瑰鲜切花质量分级评价模型建立过程中具有一定的可行性和实用性。
于芳芳[9]（2019）在《基于无人机图像采集的森林防火探测方法的研究与实现》文中研究表明近年来由于森林火灾的频繁发生,给我国乃至全国带来了巨大的经济损失,也给森林的生态环境带来了巨大的伤害。因此森林火灾发生的检测及识别技术及其重要。传统的森林火灾监测技术一般只针对已经发生的火灾进行识别,不能及时对森林火灾进行预防。为了能有效的对森林火灾进行预防,本文通过对森林图像特征的分析,为森林火灾预测和预防提供一定的依据。在研究森林图像特征的基础上,利用多种火灾特征信息建立改进的BP神经网络和SVM分类器结合的森林火灾探测算法。本文结合国内外现有的各种森林火灾探测技术,对森林火灾识别和预防算法进行研究。在对森林图像进行其他处理前,本文首先对森林图像进行预处理,然后比较中值滤波器,频域高通滤波器和小波滤波器,发现小波滤波器对图像噪声处理后的图像边缘细节保留的比中值滤波器和频域高通滤波器更好。通过对多种分割算法的对比,利用RGB颜色分割和k-means聚类分割分别对去噪后的森林火灾图像和森林土壤图像进行有效的分割。最后,Canny算子边缘检测技术用于对分割的森林火灾图像进行有效的边缘处理。本文通过对森林湿度特征进行研究分析,利用森林图像灰度值与土壤湿度值间的关系,来确定森林环境下的湿度值,为森林火灾预防提供依据。同时研究发现,森林火灾的特征可以有效地作为火灾识别的依据,并提取和分析火灾特征。通过对森林火灾火焰特征的有效分析和多次试验,确定森林火灾火焰的面积、尖角数、圆形度和闪烁特征可作为森林火灾火焰的识别特征。通过对BP神经网络和SVM分类器的研究,利用改进的BP神经网络与SVM分类器结合对森林火灾图像识别的算法,通过之前对森林火灾火焰特征的提取,来不断的对森林火灾识别网络进行训练,最终确定森林火灾识别算法。通过对森林火灾特征的提取,利用改进的BP神经网络与SVM支持向量机分类器结合的算法实现森林火灾图像的识别,该识别模型具有较高的识别率和较快的森林火灾图像识别速度。同时,通过对森林土壤腐殖层图像的灰度值的计算能有效的对森林湿度进行预测,进而对森林火灾预防提供一定的依据。
于金帅[10]（2019）在《基于三维成像的声呐图像目标自动检测》文中研究指明近年来,世界各国纷纷加强了对海洋的研究和探索,声呐技术日益受到重视,我国对声呐目标检测的研究起步相对较晚,但也是奋起直追。而与日新月异的声呐设备相比,声呐目标检测和识别的相关技术还不能与之相匹配。杭州应用声学研究所研制了基于线阵合成孔径的三维成像声呐设备,数据量急剧增加,由二维拓展到三维,如果仅仅依靠人工进行检测,不仅效率低下,而且不利于对数据进行存储和维护。因此,研究基于三维成像的声呐图像目标自动检测的相关算法,并开发声呐目标自动检测系统就显得尤为重要。本文针对基于三维成像的声呐图像进行了算法研究,包括预处理、图像分割,目标识别这三个方面,最后设计和实现了声呐目标自动检测系统,研究内容和成果如下:（1）提出了一种适用于三维成像声呐图像的预处理方法。本文首先对声呐图像进行去噪处理,通过对不同的去噪方法进行对比,得出了中值滤波去噪能够取得更好的去噪效果,然后对去噪后的声呐图像进行白化处理,可以使图像的背景更加均衡,一定程度上抑制了海底混响的干扰。（2）提出了一种水体和地层分离的声呐图像分割方法。本文对声呐图像分割主要包括两个方面,一是对声呐图像进行水体和地层分离,将差异较大的两部分分割开来;二是针对水体图像和地层图像,分别研究了图像分割的算法。本文水体部分采用了 OTSU算法,地层部分采用了二维最大熵算法,为有效的特征提取奠定基础。（3）提出了一种以目标像素面积、长宽比和信噪比为特征参数的多维贝叶斯分类模型。本文通过提取目标的关键特征,构建了多维贝叶斯分类模型,并且与基于人工神经网络的目标识别和基于支持向量机的目标识别进行实验对比,得出多维贝叶斯分类模型可以较好地实现目标形态的分类。（4）设计和实现了声呐目标自动检测系统。通过本文的研究分析,整合了一套基于三维成像声呐图像数据的算法,严格按照软件工程的相关规范,设计和实现了声呐目标自动检测系统,通过实际验证,具有界面简洁、操作简单的特点,在声呐目标检测和识别上具有高检测率、低虚警率的优势。
二、支持向量机在图像去噪处理中的初步研究（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、支持向量机在图像去噪处理中的初步研究（论文提纲范文）
（1）基于声纳图像的沉底油识别软件设计与实现（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 沉底油定义与典型沉底油探测系统 |
| 1.3 基于声学图像的沉底油识别软件国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 主要研究内容 |
| 第2章 基于声纳图像的沉底油识别方法研究 |
| 2.1 声学成像原理 |
| 2.1.1 前视透镜声纳成像原理 |
| 2.1.2 侧扫声纳成像原理 |
| 2.2 沉底油声图像的预处理 |
| 2.2.1 速度校正 |
| 2.2.2 区域比例校正 |
| 2.2.3 对比度受限的自适应直方图均衡(CLAHE) |
| 2.3 沉底油声图像的去噪 |
| 2.3.1 空间滤波去噪方法 |
| 2.3.2 小波滤波去噪方法 |
| 2.3.3 水下声纳图像去噪结果分析 |
| 2.4 沉底油声图像的分割 |
| 2.4.1 最大类间方差分割算法(Otsu) |
| 2.4.2 C-means分割算法 |
| 2.4.3 马尔可夫(MRF)分割算法 |
| 2.4.4 水下声纳图像分割结果分析 |
| 2.5 沉底油声图像的特征提取 |
| 2.5.1 图像灰度统计特征 |
| 2.5.2 灰度共生矩阵(GLCM)特征 |
| 2.6 基于支持向量机的沉底油目标识别方法 |
| 2.6.1 支持向量机分类理论基础 |
| 2.6.2 支持向量机核函数 |
| 2.7 本章小结 |
| 第3章 基于Python的沉底油识别软件设计与实现 |
| 3.1 软件架构设计 |
| 3.1.1 软件总体结构设计 |
| 3.1.2 软件总体工作流程 |
| 3.2 软件主体显示界面设计 |
| 3.2.1 基于Qt的软件结构设计 |
| 3.2.2 软件的主界面设计 |
| 3.3 数据读取解析模块设计 |
| 3.3.1 Blueview格式数据读入 |
| 3.3.2 XTF格式数据读入 |
| 3.4 图像处理辅助模块设计 |
| 3.4.1 图像区域选取功能 |
| 3.4.2 图像缩放、拖拽功能 |
| 3.4.3 图像伪彩色显示功能 |
| 3.4.4 图像相近灰度映射功能 |
| 3.5 图像预处理模块设计 |
| 3.5.1 侧扫声纳图像速度灰度校正 |
| 3.5.2 声纳图像去噪功能设计 |
| 3.5.3 自适应直方图均衡(CLAHE)功能设计 |
| 3.6 沉底油识别模块设计 |
| 3.6.1 图像分割功能设计 |
| 3.6.2 图像特征提取功能设计 |
| 3.6.3 沉底油目标识别功能设计 |
| 3.7 本章小结 |
| 第4章 基于声纳图像的沉底油识别软件功能验证 |
| 4.1 试验设备及试验环境 |
| 4.1.1 试验设备 |
| 4.1.2 试验环境 |
| 4.2 软件模块功能验证 |
| 4.2.1 数据读取解析与预处理模块功能验证 |
| 4.2.2 声纳图像分割模块功能验证 |
| 4.2.3 目标分类识别模块功能验证 |
| 4.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（2）矿用空压机工作状态红外识别关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源及背景 |
| 1.2 课题研究现状及存在问题 |
| 1.3 课题研究内容与方法 |
| 1.4 课题研究意义 |
| 2 矿用空压机工作状态识别系统总体设计 |
| 2.1 矿用空压机基本结构与工作原理 |
| 2.2 矿用空压机工作状态识别系统 |
| 2.3 本章小结 |
| 3 矿用空压机红外热图像去噪技术研究 |
| 3.1 不同传感信号在表征空压机工作状态中的适用性分析 |
| 3.2 红外热成像原理及其在空压机运行状态监测中的应用 |
| 3.3 矿用空压机关键部件红外热图像自适应去噪 |
| 3.4 仿真分析 |
| 3.5 本章小结 |
| 4 矿用空压机红外图像降维方法研究 |
| 4.1 机械学习降维方法概述 |
| 4.2 图像降维方法对比分析 |
| 4.3 图像降维算法的性能分析 |
| 4.4 本章小结 |
| 5 基于机器学习的矿用空压机工作状态识别方法研究 |
| 5.1 空压机工作状态划分方法 |
| 5.2 空压机工作状态红外识别算法 |
| 5.3 本章小结 |
| 6 实验研究 |
| 6.1 实验室实验平台的搭建 |
| 6.2 实验室试验结果分析 |
| 6.3 工业性试验 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 论文创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）卷烟包装外观质量在线检测方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 课题主要研究内容 |
| 1.4 本文结构安排 |
| 第二章 图像的采集及预处理 |
| 2.1 条烟图像采集 |
| 2.2 图像预处理 |
| 2.3 条烟图像定位 |
| 2.4 本章小结 |
| 第三章 基于机器学习的条烟包装外观质量检测 |
| 3.1 图像特征的提取 |
| 3.2 基于SVM分类模型的检测算法 |
| 3.3 基于BP神经网络分类模型的检测算法 |
| 3.4 SVM与BP神经网络分类性能对比分析 |
| 3.5 本章小结 |
| 第四章 基于CNN的条烟包装外观质量检测算法 |
| 4.1 卷积神经网络原理介绍 |
| 4.2 实验环境及数据 |
| 4.3 卷积神经网络的搭建 |
| 4.4 实验过程与结果分析 |
| 4.5 CNN与机器学习方法的对比与分析 |
| 4.6 本章小节 |
| 第五章 系统结构设计与安装 |
| 5.1 条烟包装外观质量检测系统整体结构 |
| 5.2 检测系统的硬件组成 |
| 5.3 检测系统的软件设计 |
| 5.4 安装与调试 |
| 5.5 在线测试结果 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望未来 |
| 致谢 |
| 参考文献 |
| 附录 攻读硕士学位期间发表的成果 |
（4）适用于地图印刷的缺陷检测技术研究（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 地图印刷缺陷检测技术研究现状 |
| 1.2.1 印刷缺陷检测系统的研究 |
| 1.2.2 产业化的印刷质量检测机 |
| 1.2.3 存在的问题 |
| 1.3 论文的研究内容与研究目标 |
| 1.3.1 研究内容 |
| 1.3.2 研究目标 |
| 1.4 论文的组织结构 |
| 第二章 地图印刷缺陷检测系统硬件的优化 |
| 2.1 普染缺陷难以检测的原因 |
| 2.2 光源与照明系统的设计 |
| 2.2.1 光源的选择 |
| 2.2.2 相机的选择 |
| 2.2.3 照明系统的设计 |
| 2.3 实验结果与分析 |
| 2.3.1 常用灰度化算法的结果对比 |
| 2.3.2 不同照明方案检测效果的对比 |
| 2.4 本章小结 |
| 第三章 地图印刷缺陷检测预处理算法的优化 |
| 3.1 地图模板图像制作方法的选取 |
| 3.1.1 地图缺陷检测模板图像的数据来源 |
| 3.1.2 常用标准模板制作方法的比较 |
| 3.1.3 地图模板制备方法的确定 |
| 3.2 调整权值的灰度化方法 |
| 3.2.1 常用的灰度化方法 |
| 3.2.2 调整权值的灰度化方法 |
| 3.2.3 实验结果与分析 |
| 3.3 动态参数的图像增强方法 |
| 3.3.1 空间域图像增强技术 |
| 3.3.2 Gamma校正结合CLAHE算法的增强方法 |
| 3.3.3 实验结果与分析 |
| 3.4 图像去噪算法的选取 |
| 3.4.1 图像滤波器 |
| 3.4.2 实验结果与分析 |
| 3.5 缺陷检测实验结果与分析 |
| 3.6 本章小结 |
| 第四章 地图印刷缺陷分类模型的建立 |
| 4.1 基于机器学习的缺陷分类方法 |
| 4.1.1 机器学习概述 |
| 4.1.2 基于机器学习分类方法的选择 |
| 4.2 基于支持向量机的缺陷分类 |
| 4.2.1 支持向量机概述 |
| 4.2.2 地图印刷缺陷分类器设计 |
| 4.2.3 实验结果及分析 |
| 4.3 基于卷积神经网络的缺陷分类 |
| 4.3.1 卷积神经网络基本结构 |
| 4.3.2 卷积神经网络的训练过程 |
| 4.3.3 基于Faster R-CNN模型的分类设计 |
| 4.3.4 实验过程与结果 |
| 4.4 本章小结 |
| 第五章 地图印刷缺陷检测系统的设计与实现 |
| 5.1 软件开发工具介绍 |
| 5.2 地图印刷缺陷检测系统总体设计 |
| 5.2.1 缺陷检测系统结构 |
| 5.2.2 系统功能模块设计 |
| 5.2.3 系统流程图 |
| 5.3 系统集成实现 |
| 5.3.1 系统逻辑处理过程 |
| 5.3.2 系统功能模块设计 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要工作总结 |
| 6.2 论文的创新点 |
| 6.3 进一步的工作 |
| 致谢 |
| 参考文献 |
| 作者简历 |
（5）矿用空气压缩机管路气体泄漏识别方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源及研究背景 |
| 1.2 课题研究现状及存在的问题 |
| 1.3 论文研究内容和方法 |
| 1.4 课题研究意义 |
| 1.5 论文结构 |
| 2 矿用空压机管路气体泄漏识别系统设计 |
| 2.1 矿用空压机管路故障分析 |
| 2.2 矿用空压机管路气体泄漏识别系统 |
| 2.3 本章小结 |
| 3 矿用空压机管路温度特性分析与红外图像预处理 |
| 3.1 矿用空压机管路气体泄漏的温度场变化 |
| 3.2 红外热成像原理及存在的问题 |
| 3.3 矿用空压机管路气体泄漏红外图像自适应去噪算法研究 |
| 3.4 红外图像去噪算法仿真分析 |
| 3.5 红外图像目标分割算法 |
| 3.6 本章小结 |
| 4 基于支持向量机的矿用空压机管路气体泄漏识别方法研究 |
| 4.1 矿用空压机管路气体泄漏图像特征提取 |
| 4.2 模式识别 |
| 4.3 矿用空压机管路气体泄漏图像SVM分类 |
| 4.4 本章小结 |
| 5 实验研究 |
| 5.1 实验平台搭建 |
| 5.2 矿用空压机管路气体泄漏识别实验 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（6）基于红外成像的断路器故障检测技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作和结构安排 |
| 2 断路器红外图像的预处理 |
| 2.1 断路器基本介绍 |
| 2.2 断路器红外图像特点与噪声分析 |
| 2.2.1 断路器红外图像特点 |
| 2.2.2 断路器红外图像噪声分析 |
| 2.3 断路器红外图像去噪算法 |
| 2.3.1 均值去噪 |
| 2.3.2 中值去噪 |
| 2.3.3 非局部均值去噪 |
| 2.4 改进非局部均值去噪算法 |
| 2.4.1 欧氏距离积分化 |
| 2.4.2 参数选取的自适应化 |
| 2.4.3 实验结果与分析 |
| 2.5 中值滤波算法与改进非局部均值去噪算法的结合 |
| 2.6 断路器红外图像的增强处理 |
| 2.7 本章小结 |
| 3 断路器红外图像的分割 |
| 3.1 常见的图像分割算法 |
| 3.1.1 全局阈值法 |
| 3.1.2 大津阈值法 |
| 3.1.3 区域算法法 |
| 3.1.4 模糊C均值聚类算法 |
| 3.1.5 随机游走算法 |
| 3.2 基于快速模糊C均值聚类的随机游走算法 |
| 3.2.1 基于直方图的最小最大距离法 |
| 3.2.2 快速模糊C均值聚类算法 |
| 3.2.3 基于快速模糊C均值聚类的随机游走算法的步骤 |
| 3.3 实验结果对比与分析 |
| 3.4 本章小结 |
| 4 断路器红外图像的特征提取与分类识别 |
| 4.1 基于Hu不变矩的特征提取 |
| 4.1.1 特征提取简介 |
| 4.1.2 Hu不变矩 |
| 4.1.3 实验结果与分析 |
| 4.2 基于支持向量机的图像识别 |
| 4.2.1 支持向量机原理概述 |
| 4.2.2 支持向量机的多分类问题 |
| 4.2.3 数据的归一化 |
| 4.2.4 支持向量机相关参数的确定 |
| 4.2.5 实验结果分析 |
| 4.3 本章小结 |
| 5 断路器红外图像故障诊断 |
| 5.1 断路器红外图像的温度识别 |
| 5.1.1 红外测温原理 |
| 5.1.2 断路器的温度识别 |
| 5.2 断路器设备红外图像故障诊断 |
| 5.2.1 红外检测基本概念 |
| 5.2.2 断路器热故障分析 |
| 5.2.3 断路器的热故障等级与热故障检测判断方法 |
| 5.2.4 断路器的热故障诊断方案设计 |
| 5.3 软件平台设计与测试结果分析 |
| 5.3.1 软件实验平台 |
| 5.3.2 测试结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（7）基于机器视觉的在线薄钢板表面缺陷检测系统设计（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景和在线检测的意义 |
| 1.2 钢板表面缺陷检测的国内外研究现状 |
| 1.3 薄钢板表面缺陷检测关键技术分析 |
| 1.4 本文研究的主要内容 |
| 第2章 钢板表面图像的预处理 |
| 2.1 图像去噪算法 |
| 2.1.1 传统的滤波去噪算法 |
| 2.1.2 基于偏微分中值滤波的图像去噪算法 |
| 2.1.3 图像去噪效果评价标准 |
| 2.1.4 图像去噪实验结果分析 |
| 2.2 图像增强算法 |
| 2.2.1 基于直方图均衡化图像增强算法 |
| 2.2.2 基于改进伽马转换的图像增强算法 |
| 2.2.3 图像增强实验结果分析 |
| 2.3 本章小结 |
| 第3章 基于像元搜索改进的阈值分割算法 |
| 3.1 边缘检测分割技术 |
| 3.2 传统的阈值分割技术 |
| 3.3 基于像元搜索改进的阈值分割算法 |
| 3.4 实验验证与结果分析 |
| 3.4.1 边缘检测分割技术实验结果分析 |
| 3.4.2 阈值分割算法实验结果分析 |
| 3.5 本章小结 |
| 第4章 钢板表面缺陷特征提取与识别 |
| 4.1 基于传统的HOG钢板缺陷特征提取 |
| 4.2 基于改进的HOG钢板缺陷特征提取 |
| 4.2.1 信息熵加权 |
| 4.2.2 PCA特征降维 |
| 4.2.3 信息熵加权和HOG特征提取融合提取特征 |
| 4.3 基于支持向量机的钢板表面缺陷图像分类 |
| 4.4 实验验证和结果分析 |
| 4.4.1 不同HOG分块方式实验与结果分析 |
| 4.4.2 不同算法实验与结果分析 |
| 4.4.3 缺陷分级结果分析 |
| 4.5 本章小结 |
| 第5章 系统硬件选择与界面设计 |
| 5.1 系统硬件的选择 |
| 5.1.1 光源和照明方式的选择 |
| 5.1.2 相机和镜头的选择 |
| 5.1.3 运动控制系统的选择 |
| 5.1.4 图像采集卡 |
| 5.2 基于QT的 GUI界面设计 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（8）基于计算机视觉的玫瑰鲜切花质量分级评价（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文主要内容与组织结构 |
| 1.4 研究技术路线 |
| 1.5 本章小结 |
| 第二章 关键理论及方法 |
| 2.1 玫瑰鲜切花相关介绍 |
| 2.2 计算机视觉介绍 |
| 2.2.1 人类视觉 |
| 2.2.2 计算机视觉 |
| 2.3 因子分析方法 |
| 2.4 模型构建的应用方法 |
| 2.4.1 主成分分析法 |
| 2.4.2 支持向量机 |
| 2.4.3 网格搜索算法 |
| 2.5 本章小结 |
| 第三章 图像处理 |
| 3.1 颜色模型 |
| 3.2 图像去噪 |
| 3.3 图像分割 |
| 3.4 彩色图像灰度化处理 |
| 3.5 图像二值化 |
| 3.6 数学形态学处理 |
| 3.7 图像边缘检测 |
| 3.8 本章小结 |
| 第四章 玫瑰鲜切花质量分级指标参数研究 |
| 4.1 玫瑰鲜切花质量分级标准 |
| 4.2 实验材料与图像获取 |
| 4.2.1 实验材料 |
| 4.2.2 图像采集系统 |
| 4.2.3 原始图像获取 |
| 4.3 玫瑰鲜切花图像特征提取 |
| 4.3.1 形状特征参数 |
| 4.3.2 颜色特征参数 |
| 4.4 基于因子分析的综合评价方法 |
| 4.4.1 原始数据标准化处理 |
| 4.4.2 确定公因子数量 |
| 4.4.3 因子得分与多指标综合评价 |
| 4.5 本章小结 |
| 第五章 玫瑰鲜切花质量分级评价模型的构建 |
| 5.1 基于支持向量机的质量分级评价模型 |
| 5.1.1 支持向量机模型 |
| 5.1.2 基于网格搜索算法的支持向量机模型构建 |
| 5.2 玫瑰鲜切花质量分级评价模型的验证 |
| 5.2.1 实验数据预处理 |
| 5.2.2 模型构建 |
| 5.3 实验结果分析 |
| 5.3.1 实验结果 |
| 5.3.2 支持向量机模型与其他分类模型进行对比 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士期间的学术成果 |
| 附录 B 图像处理与特征提取关键代码(Python) |
（9）基于无人机图像采集的森林防火探测方法的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外相关研究历史及现状 |
| 1.2.1 人为巡查式监测 |
| 1.2.2 感应式监控 |
| 1.2.3 图像型火灾监测 |
| 1.3 无人机森林图像采集 |
| 1.4 课题研究的主要内容 |
| 2 森林图像的预处理 |
| 2.1 图像去噪处理 |
| 2.1.1 中值滤波器 |
| 2.1.2 频域高通滤波器 |
| 2.1.3 小波滤波器 |
| 2.2 图像分割处理 |
| 2.2.1 图像灰度阈值分割 |
| 2.2.2 图像k-means聚类分割 |
| 2.2.3 图像RGB颜色分割 |
| 2.3 森林图像的边缘检测 |
| 2.3.1 梯度算子 |
| 2.3.2 Laplacian算子 |
| 2.3.3 Canny算子 |
| 2.4 本章小结 |
| 3 森林图像的特征分析与提取 |
| 3.1 森林图像湿度特征的研究 |
| 3.2 森林图像火灾特征的分析与提取 |
| 3.2.1 森林火灾的颜色特征 |
| 3.2.2 森林火灾的面积特征 |
| 3.2.3 森林火灾的圆形度特征 |
| 3.2.4 森林火灾火焰的尖角数特征 |
| 3.2.5 森林火灾火焰的闪烁特征 |
| 3.3 本章小结 |
| 4 改进的BP神经网络与SVM分类器结合算法 |
| 4.1 BP神经网络 |
| 4.1.1 BP神经网络基本工作原理 |
| 4.1.2 BP神经网络算法的学习过程 |
| 4.2 基于BP神经网络对森林火灾识别 |
| 4.2.1 建立BP神经网络森林火灾识别模型 |
| 4.2.2 BP神经网络森林火灾识别模型的改进 |
| 4.3 SVM支持向量机分类器 |
| 4.4 改进的BP神经网络与SVM分类器结合对森林火灾图像识别 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 附件 |
（10）基于三维成像的声呐图像目标自动检测（论文提纲范文）
| 中文详细摘要 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究趋势和发展现状 |
| 1.3.1 声呐目标检测和识别研究趋势和发展现状 |
| 1.3.2 成像声呐设备研究趋势和发展现状 |
| 1.4 声呐图像目标自动检测流程 |
| 1.5 论文结构安排 |
| 第2章 声呐图像预处理 |
| 2.1 引言 |
| 2.2 三维成像声呐图像数据概述 |
| 2.3 常用图像去噪方法介绍 |
| 2.3.1 均值滤波去噪 |
| 2.3.2 中值滤波去噪 |
| 2.3.3 小波变换去噪 |
| 2.4 声呐信号的信噪比和白化处理 |
| 2.5 声呐图像预处理实验与分析 |
| 2.6 本章小结 |
| 第3章 声呐图像分割 |
| 3.1 引言 |
| 3.2 声呐图像水体和地层分离 |
| 3.2.1 基于迭代阈值法的水体和地层分离算法 |
| 3.2.2 数学形态学运算 |
| 3.3 针对水体和体层的声呐图像分割 |
| 3.3.1 基于边缘的分割算法 |
| 3.3.2 基于聚类的分割算法 |
| 3.3.3 基于门限的分割算法 |
| 3.4 声呐图像分割实验及分析 |
| 3.5 本章小结 |
| 第4章 声呐目标识别 |
| 4.1 引言 |
| 4.2 三种声呐目标识别算法简介 |
| 4.3 基于多维贝叶斯分类模型的声呐目标识别 |
| 4.4 基于BP神经网络的声呐目标识别 |
| 4.5 基于支持向量机的声呐目标识别 |
| 4.6 声呐目标识别实验及分析 |
| 4.7 本章小结 |
| 第5章 声呐目标自动检测系统设计及实现 |
| 5.1 引言 |
| 5.2 系统运行流程简介 |
| 5.3 系统模块设计 |
| 5.3.1 图像处理模块 |
| 5.3.2 文件读写模块 |
| 5.3.3 系统显示模块 |
| 5.4 系统运行检测与报警界面截图 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 作者在读期间发表的学术成果及参加的科研项目 |
四、支持向量机在图像去噪处理中的初步研究（论文参考文献）
- [1]基于声纳图像的沉底油识别软件设计与实现[D]. 辛通. 哈尔滨工程大学, 2020(05)
- [2]矿用空压机工作状态红外识别关键技术研究[D]. 仝矿伟. 中国矿业大学, 2020
- [3]卷烟包装外观质量在线检测方法的研究[D]. 孙娜. 昆明理工大学, 2020(04)
- [4]适用于地图印刷的缺陷检测技术研究[D]. 刘斯阳. 战略支援部队信息工程大学, 2020(08)
- [5]矿用空气压缩机管路气体泄漏识别方法研究[D]. 李沛阳. 中国矿业大学, 2020
- [6]基于红外成像的断路器故障检测技术的研究[D]. 杨森淋. 重庆理工大学, 2020(08)
- [7]基于机器视觉的在线薄钢板表面缺陷检测系统设计[D]. 黄晶晶. 沈阳理工大学, 2020(08)
- [8]基于计算机视觉的玫瑰鲜切花质量分级评价[D]. 吴超. 昆明理工大学, 2019(04)
- [9]基于无人机图像采集的森林防火探测方法的研究与实现[D]. 于芳芳. 东北林业大学, 2019(01)
- [10]基于三维成像的声呐图像目标自动检测[D]. 于金帅. 杭州电子科技大学, 2019(01)