| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 输电线路巡检的研究现状 | 第11-12页 |
| 1.2.2 绝缘子缺陷检测技术研究现状 | 第12-14页 |
| 1.3 研究内容与技术路线 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 技术路线 | 第15-16页 |
| 第二章 绝缘子图像获取及深度学习基础 | 第16-27页 |
| 2.1 绝缘子图像的获取 | 第16-17页 |
| 2.2 样本集扩充与数据集制作 | 第17-21页 |
| 2.2.1 绝缘子图像样本集划分 | 第17-18页 |
| 2.2.2 样本集扩充 | 第18-19页 |
| 2.2.3 绝缘子图像数据集制作 | 第19页 |
| 2.2.4 样本标记 | 第19-21页 |
| 2.3 深度学习基础 | 第21-25页 |
| 2.3.1 人工神经网络 | 第21-22页 |
| 2.3.2 卷积神经网络 | 第22-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 Faster R-CNN和CNN的网络构建 | 第27-36页 |
| 3.1 目标检测模型Faster R-CNN构建 | 第27-32页 |
| 3.1.1 特征提取网络设计 | 第27-28页 |
| 3.1.2 激活函数选取 | 第28-29页 |
| 3.1.3 候选区域生成网络设计 | 第29-30页 |
| 3.1.4 分类回归网络设计 | 第30-31页 |
| 3.1.5 Dropout设置 | 第31-32页 |
| 3.1.6 非极大抑制的设置 | 第32页 |
| 3.2 图像分类模型CNN构建 | 第32-34页 |
| 3.2.1 数据层设计 | 第33-34页 |
| 3.2.2 卷积层设计 | 第34页 |
| 3.2.3 激活函数选取 | 第34页 |
| 3.2.4 批量归一化与Dropout设置 | 第34页 |
| 3.2.5 池化层设计 | 第34页 |
| 3.2.6 全连接层设计 | 第34页 |
| 3.3 本章小结 | 第34-36页 |
| 第四章 基于Faster R-CNN算法的绝缘子目标检测 | 第36-45页 |
| 4.1 绝缘子检测网络的结构 | 第36-38页 |
| 4.2 Faster R-CNN的网络模型训练 | 第38-40页 |
| 4.2.1 网络模型的训练步骤 | 第38-39页 |
| 4.2.2 绝缘子检测网络的训练过程 | 第39-40页 |
| 4.3 绝缘子检测结果分析 | 第40-44页 |
| 4.3.1 不同情况下绝缘子的检测效果 | 第41-43页 |
| 4.3.2 绝缘子检测结果评析 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于CNN算法的绝缘子缺陷识别 | 第45-51页 |
| 5.1 绝缘子缺陷识别网络结构 | 第45-46页 |
| 5.2 裁剪层 | 第46页 |
| 5.3 CNN分类网络的训练 | 第46-47页 |
| 5.4 基于CNN算法的绝缘子缺陷分类结果 | 第47-50页 |
| 5.4.1 缺陷识别率测试 | 第47-48页 |
| 5.4.2 缺陷识别效果 | 第48-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第六章 结论与展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士期间发表论文 | 第56-57页 |