| 【中文题名】 | 基于图像处理的故障检测方法研究 |
| 【英文题名】 | Study of Fault Detection Methods Based on Image Processing |
| 【学科专业】 | 电路与系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-10-12 |
| 【中关键词】 | 故障诊断,图像分割,多分类器融合,模糊积分,侧抑制网络, |
| 【英关键词】 | Fault detection,Image segmentation,Multi-classifier fusion,Fuzzy integral,Lateral inhibition network, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 |
基于图像处理的故障诊断方法已经成为无损故障诊断的主要技术手段。和其他图像处理应用类似，阈值分割方法被广泛用于故障检测和定位，但是由于故障和成像模式的多样性，要设计一种普适的阈值分割算法是非常困难的。本文提出了一种是基于多分类器融合的阈值分割方法，该方法采用模糊积分将多种阈值分割算法的结果进行融合，其区别于现有分类器融合算法之处在于，融合过程不仅取决于各个分类器(分割算法)的判决输出，而且与各个分类器的判决能力有关。各个分类器的判决能力用模糊测度表示，它可以解释为单个分类器判决对最终融合判决的重要程度，通过融合来自多个信息源的特征，达到主观期望和客观评价间的最佳匹配。通过使用一组手工标定的测试图像进行算法评估，结果表明，本文提出的融合算法性能不仅优于单个阈值分割算法，而且优于基于多数表决和算术平均的分类器融合算法。
许多景观和图像的认知与识别对于人眼来说是极其直观和简单的，但是对于计算机自动处理算法而言却难以做到。本文研究了基于侧抑制网络的生物视觉模型的图像分割方法。图像中的像素点不仅被其本身的亮度信息所兴奋，同时也被其周围像素点的亮度信息所抑制；它不仅接受其他像素点的抑制，同时也抑制其他的像... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-8 |
|
第一章 绪论 |
8-20 |
|
§1.1 引言 |
8-11 |
|
1.1.1 故障诊断技术研究的主要内容 |
8-10 |
|
1.1.2 故障诊断技术研究的意义 |
10 |
|
1.1.3 故障诊断技术的研究动态 |
10-11 |
|
1.1.4 故障诊断技术研究中存在的问题 |
11 |
|
§1.2 故障诊断的方法 |
11-15 |
|
1.2.1 基于解析模型的方法 |
11-12 |
|
1.2.2 基于信号处理的方法 |
12-13 |
|
1.2.3 基于知识的方法 |
13-15 |
|
§1.3 基于成像技术的故障诊断方法 |
15-16 |
|
§1.4 基于信息融合的故障诊断方法 |
16-17 |
|
1.4.1 信息融合故障诊断技术 |
16 |
|
1.4.2 信息融合故障诊断技术的发展现状 |
16-17 |
|
§1.5 本文的主要工作及内容安排 |
17-20 |
|
1.5.1 本文的主要工作 |
17 |
|
1.5.2 本文的内容安排 |
17-20 |
|
第二章 基于信息融合技术的故障诊断模型 |
20-32 |
|
§2.1 信息融合技术的基本理论 |
20-25 |
|
2.1.1 信息融合的基本原理 |
20-21 |
|
2.1.2 信息融合的级别 |
21-22 |
|
2.1.3 信息融合的基本结构 |
22-23 |
|
2.1.4 信息融合技术的一般功能模型 |
23-24 |
|
2.1.5 信息融合的方法 |
24-25 |
|
§2.2 信息融合与故障诊断的关系 |
25-26 |
|
§2.3 基于信息融合的故障诊断模型 |
26-30 |
|
2.3.1 单神经网络诊断模型 |
26-27 |
|
2.3.2 基于诊断任务分解的并行神经网络诊断模型 |
27 |
|
2.3.3 基于信息融合的集成神经网络诊断模型 |
27-30 |
|
§2.4 小结 |
30-32 |
|
第三章 基于图像分割算法融合的故障检测方法 |
32-50 |
|
§3.1 加权融合方法 |
32-33 |
|
§3.2 模糊积分融合方法 |
33-37 |
|
3.2.1 模糊积分的基本理论 |
34-36 |
|
3.2.2 模糊积分数据融合方法 |
36-37 |
|
§3.3 两种决策方法的比较 |
37 |
|
§3.4 基于模糊积分的图像分割算法融合 |
37-49 |
|
3.4.1 图像分割评价 |
38-39 |
|
3.4.1.1 图像分割评价的内容 |
38 |
|
3.4.1.2 图像分割评价的方法 |
38-39 |
|
3.4.2 阈值分割的量化评价指标 |
39-42 |
|
3.4.3 基于模糊积分的分割图像融合算法 |
42-44 |
|
3.4.4 仿真结果与性能比较 |
44-49 |
|
§3.5 小结 |
49-50 |
|
第四章 基于侧抑制网络模型的故障检测算法 |
50-64 |
|
§4.1 引言 |
50 |
|
§4.2 侧抑制现象的生理基础 |
50-52 |
|
§4.3 视觉侧抑制及HVS模型 |
52-53 |
|
§4.4 侧抑制网络的数学模型 |
53-55 |
|
§4.5 基于侧抑制网络的图像分割算法 |
55-63 |
|
4.5.1 现有侧抑制模型的分割结果 |
55-57 |
|
4.5.2 改进的侧抑制网络模型 |
57-62 |
|
4.5.2.1 最佳阈值的求取 |
58 |
|
4.5.2.2 目标函数的设计 |
58-59 |
|
4.5.2.3 侧抑制模型参数的优化 |
59-61 |
|
4.5.2.4 抑制野的影响 |
61-62 |
|
4.5.3 本文算法的处理结果 |
62-63 |
|
§4.6 结论 |
63-64 |
|
第五章 总结与展望 |
64-66 |
|
§5.1 总结 |
64 |
|
§5.2 未来工作展望 |
64-66 |
|
致谢 |
66-68 |
|
参考文献 |
68-72 |
|
作者在读期间的研究成果 |
72 |
|
| 【DOI】 | LunWen.ID:2.2008.385961 |
