發(fā)布時(shí)間：2022-12-18 12:05

　　瓦斯灰是高爐冶煉的重要副產(chǎn)物,含有大量的可燃性含碳物和豐富的金屬資源。含碳物的含量可反映高爐供料結(jié)構(gòu)的合理性以及生產(chǎn)參數(shù)的穩(wěn)定性,金屬及其氧化物可進(jìn)行資源回收再利用。因此,實(shí)現(xiàn)瓦斯灰成分的定量分析對(duì)于指導(dǎo)高爐順行、低耗生產(chǎn)以及瓦斯灰的高效、潔凈化利用具有實(shí)際意義。本文在分析瓦斯灰中不同目標(biāo)成分顯微圖像特點(diǎn)的基礎(chǔ)上,采取分割與分類相結(jié)合的方式對(duì)于含碳物和金屬氧化物進(jìn)行識(shí)別,鑒于兩者尺寸不一以及識(shí)別的難易,制定了不同的識(shí)別方案,最后融合識(shí)別結(jié)果實(shí)現(xiàn)瓦斯灰顯微圖像的多目標(biāo)識(shí)別。論文的主要工作內(nèi)容如下:（1）在查閱大量文獻(xiàn)及現(xiàn)場(chǎng)調(diào)研的基礎(chǔ)上,綜述瓦斯灰處理與分析以及圖像分割與分類方法的國(guó)內(nèi)外研究現(xiàn)狀,并闡明論文的研究背景與意義。（2）分析瓦斯灰中不同目標(biāo)成分顯微圖像特點(diǎn),綜合考慮成分之間與內(nèi)部的特征差異,確定目標(biāo)識(shí)別的整體方案。（3）針對(duì)MeanShift聚類的不足,采用SLIC超像素算法與區(qū)域合并算法對(duì)原MeanShift聚類算法進(jìn)行改進(jìn),提出一種基于改進(jìn)MeanShift聚類的瓦斯灰顯微圖像分割方法,并與其他方法的分割結(jié)果對(duì)比與分析,以驗(yàn)證改進(jìn)方法的有效性。（4）針對(duì)分割區(qū)域形狀不規(guī)則且特... 

【文章頁數(shù)】：88 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 研究對(duì)象與內(nèi)容
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 瓦斯灰處理與分析的研究現(xiàn)狀
        1.3.2 圖像分割方法的研究現(xiàn)狀
        1.3.3 圖像分類方法的研究現(xiàn)狀
    1.4 論文的主要內(nèi)容與安排
第二章 瓦斯灰顯微圖像的采集與目標(biāo)成分分析
    2.1 瓦斯灰顯微圖像的采集
        2.1.1 瓦斯灰實(shí)物的收集
        2.1.2 樣本的制備
        2.1.3 顯微圖像采集
    2.2 瓦斯灰顯微圖像目標(biāo)成分分析
    2.3 本章小結(jié)
第三章 基于聚類分析的含碳物目標(biāo)區(qū)域分割
    3.1 基于Kmeans聚類的圖像分割方法
    3.2 基于Mean Shift聚類的圖像分割方法
        3.2.1 Mean Shift向量的基本形式
        3.2.2 Mean Shift向量的擴(kuò)展形式
        3.2.3 Mean Shift向量的偏移過程
        3.2.4 Mean Shift聚類
    3.3 基于改進(jìn)Mean Shift聚類的圖像分割方法及含碳物目標(biāo)區(qū)域的分割
        3.3.1 改進(jìn)思想與流程
        3.3.2 分割原理及步驟
            3.3.2.1 利用SLIC算法生成超像素
            3.3.2.2 提取超像素特征
            3.3.2.3 基于顏色-位置-紋理特征的Mean Shift聚類
            3.3.2.4 區(qū)域合并
        3.3.3 含碳物目標(biāo)區(qū)域分割結(jié)果與分析
    3.4 不同分割方法的結(jié)果比較與分析
    3.5 本章小結(jié)
第四章 瓦斯灰顯微圖像中含碳物的識(shí)別
    4.1 含碳物的特征提取與分析
        4.1.1 顏色特征提取與分析
        4.1.2 紋理特征提取與分析
        4.1.3 邊緣特征提取與分析
    4.2 基于支持向量機(jī)的含碳物分類
        4.2.1 支持向量機(jī)
        4.2.2 含碳物的分類
            4.2.2.1 特征量組合分類
            4.2.2.2 特征量降維分類
            4.2.2.3“二叉樹”分類
        4.2.3 不同分類方案的結(jié)果對(duì)比與分析
    4.3 含碳物的識(shí)別結(jié)果與分析
    4.4 本章小結(jié)
第五章 瓦斯灰顯微圖像中金屬氧化物的識(shí)別
    5.1 基于閾值分割的金屬氧化物識(shí)別
    5.2 金屬氧化物的“固形+定位+排異”識(shí)別
        5.2.1 基于超像素分割實(shí)現(xiàn)金屬氧化物的“固形”
        5.2.2 基于規(guī)則分類實(shí)現(xiàn)金屬氧化物的“定位”
        5.2.3 基于鄰域差異實(shí)現(xiàn)金屬氧化物的“排異”
    5.3 與含碳物識(shí)別結(jié)果的融合
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
在學(xué)研究成果
致謝
附錄A 插圖清單
附錄B 插表清單
附錄C 部分核心源程序


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的巖石圖像分類[J]. 程國(guó)建,郭文惠,范鵬召.  西安石油大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(04)
[2]利用除塵灰?guī)r相分析研究高爐噴吹煤粉燃燒狀況[J]. 馬保良,張玉柱,許瑩,蔡艷青.  礦冶. 2017(02)
[3]基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的圖像分類性能[J]. 常祥,楊明.  重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)). 2017(03)
[4]本鋼新1號(hào)高爐降低瓦斯灰碳含量攻關(guān)[J]. 代兵,姜曦,王運(yùn)國(guó),張利,李鑫,劉云彩.  中國(guó)冶金. 2017(01)
[5]基于支持向量機(jī)的路面圖像分類方法[J]. 段瑗,李春書,閆堯.  河北農(nóng)業(yè)大學(xué)學(xué)報(bào). 2016(06)
[6]極限學(xué)習(xí)機(jī)在高光譜遙感圖像分類中的應(yīng)用[J]. 李鐵,張新君.  光電工程. 2016(11)
[7]參考1維光譜差異的區(qū)域生長(zhǎng)種子點(diǎn)選取方法[J]. 李修霞,荊林海,李慧,唐韻瑋,戈文艷.  中國(guó)圖象圖形學(xué)報(bào). 2016(09)
[8]基于K-均值改進(jìn)蟻群優(yōu)化的彩色圖像邊緣檢測(cè)算法[J]. 劉波平,孟莎莎,饒?zhí)m香,付康.  計(jì)算機(jī)與現(xiàn)代化. 2016(09)
[9]基于動(dòng)態(tài)閾值區(qū)域分裂合并算法的高分辨率遙感圖像分割研究[J]. 丁海勇,王雨軒,毛宇瓊,許亞慧.  測(cè)繪通報(bào). 2016(08)
[10]RGB空間下基于矢量梯度的彩色圖像邊緣檢測(cè)算法改進(jìn)[J]. 喬冬冬,趙子濤.  軟件導(dǎo)刊. 2016(06)

碩士論文
[1]高爐煤氣布袋除塵系統(tǒng)的研究[D]. 郭繼紅.重慶大學(xué) 2006



本文編號(hào)：3722021