基于深度卷积神经网络的绝缘子故障检测算法研究
| 学位论文的主要创新点 | 第3-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 选题背景及研究意义 | 第9-11页 |
| 1.2 国内外研究现状及趋势分析 | 第11-17页 |
| 1.2.1 绝缘子巡检方式的研究现状 | 第11-13页 |
| 1.2.2 绝缘子故障模式的识别 | 第13-17页 |
| 1.3 研究内容及安排 | 第17-19页 |
| 第二章 基于DCNN的绝缘子故障检测总体流程 | 第19-31页 |
| 2.1 航拍采集图像特点 | 第19-21页 |
| 2.2 深度学习与卷积神经网络 | 第21-27页 |
| 2.3 绝缘子故障检测整体方案 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 绝缘子航拍图像预处理 | 第31-39页 |
| 3.1 图像预处理 | 第31-36页 |
| 3.1.1 图像灰度化 | 第31-33页 |
| 3.1.2 图像切割 | 第33-34页 |
| 3.1.3 图像压缩 | 第34-36页 |
| 3.2 数据库 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第四章 DCNN网络的构建 | 第39-45页 |
| 4.1 DCNN网络结构参数的讨论 | 第39-42页 |
| 4.1.1 网络层数对实验的影响 | 第39-40页 |
| 4.1.2 卷积核大小对实验的影响 | 第40-41页 |
| 4.1.3 迭代次数对实验的影响 | 第41-42页 |
| 4.1.4 批训练大小对实验的影响 | 第42页 |
| 4.2 DCNN的结构 | 第42-43页 |
| 4.3 本章小结 | 第43-45页 |
| 第五章 基于DCNN的绝缘子自爆故障检测 | 第45-57页 |
| 5.1 绝缘子图像识别 | 第46-49页 |
| 5.1.1 绝缘子图像识别算法 | 第46-47页 |
| 5.1.2 绝缘子图像识别实验 | 第47-49页 |
| 5.2 自爆绝缘子图像识别 | 第49-53页 |
| 5.2.1 自爆绝缘子图像识别算法 | 第49-50页 |
| 5.2.2 自爆绝缘子图像识别实验 | 第50-53页 |
| 5.3 自爆绝缘子图像的分割 | 第53-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第六章 绝缘子自爆故障检测软件开发 | 第57-63页 |
| 6.1 绝缘子自爆故障检测软件总体架构设计 | 第57页 |
| 6.2 绝缘子自爆故障检测软件模块化功能实现 | 第57-61页 |
| 6.3 本章小结 | 第61-63页 |
| 第七章 总结和展望 | 第63-65页 |
| 7.1 结论 | 第63-64页 |
| 7.2 展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 发表论文和参加科研情况说明 | 第71-73页 |
| 致谢 | 第73页 |
