| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 输电线巡检研究现状 | 第12-14页 |
| 1.2.2 均压环检测算法研究现状 | 第14-15页 |
| 1.2.3 目标检测研究现状 | 第15-17页 |
| 1.3 均压环检测问题分析 | 第17-19页 |
| 1.4 主要研究内容与论文结构 | 第19-21页 |
| 1.4.1 主要研究内容 | 第19-20页 |
| 1.4.2 论文结构框架 | 第20-21页 |
| 2 均压环特征提取方法研究 | 第21-45页 |
| 2.1 基于传统目标检测方法的均压环特征提取 | 第21-26页 |
| 2.1.1 HOG特征提取算法 | 第21-23页 |
| 2.1.2 均压环的HOG特征提取 | 第23-26页 |
| 2.2 基于CNN的均压环特征提取 | 第26-44页 |
| 2.2.1 CNN模型性质 | 第26-28页 |
| 2.2.2 CNN特征提取过程 | 第28-33页 |
| 2.2.3 CNN训练机制 | 第33-34页 |
| 2.2.4 过拟合解决方案 | 第34-37页 |
| 2.2.5 均压环特征提取网络选取 | 第37-42页 |
| 2.2.6 基于CNN的均压环特征提取与可视化 | 第42-44页 |
| 2.3 对比分析 | 第44页 |
| 2.4 本章小结 | 第44-45页 |
| 3 基于Faster R-CNN的均压环检测 | 第45-65页 |
| 3.1 均压环检测框架选择 | 第45-49页 |
| 3.1.1 框架对比 | 第45-47页 |
| 3.1.2 TensorFlow框架概述 | 第47-49页 |
| 3.2 系统运行环境搭建 | 第49-50页 |
| 3.3 数据集的制作 | 第50-52页 |
| 3.4 R-CNN系列算法 | 第52-57页 |
| 3.4.1 R-CNN算法 | 第53-54页 |
| 3.4.2 Fast R-CNN算法 | 第54-55页 |
| 3.4.3 Faster R-CNN算法 | 第55-56页 |
| 3.4.4 对比与分析 | 第56-57页 |
| 3.5 Faster R-CNN均压环模型训练 | 第57-61页 |
| 3.5.1 RPN训练 | 第57-59页 |
| 3.5.2 Fast R-CNN训练 | 第59页 |
| 3.5.3 共享卷积及Faster R-CNN实现 | 第59-61页 |
| 3.6 Tensorboard可视化结果分析 | 第61-64页 |
| 3.7 本章小结 | 第64-65页 |
| 4 实验与分析 | 第65-79页 |
| 4.1 模型迭代次数对检测结果的影响 | 第65-66页 |
| 4.2 错误检测分析 | 第66-69页 |
| 4.3 鲁棒性实验 | 第69-72页 |
| 4.3.1 光照实验 | 第69-70页 |
| 4.3.2 运动模糊实验 | 第70-72页 |
| 4.4 均压环倾斜故障检测简单算法 | 第72-77页 |
| 4.5 本章小结 | 第77-79页 |
| 5 总结与展望 | 第79-81页 |
| 5.1 总结 | 第79页 |
| 5.2 展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第85-89页 |
| 学位论文数据集 | 第89页 |