| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 基于数字图像的输电线故障识别与定位的发展与现状 | 第10-11页 |
| 1.3 深度学习在图像处理中的发展现状 | 第11-12页 |
| 1.4 论文主要研究内容和组织结构 | 第12-14页 |
| 第2章 深度学习与卷积神经网络 | 第14-21页 |
| 2.1 深度学习 | 第14-15页 |
| 2.2 卷积神经网络 | 第15-20页 |
| 2.2.1 卷积神经网络结构 | 第16-17页 |
| 2.2.2 卷积神经网络的基本概念介绍 | 第17-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 深层网络的训练与优化 | 第21-29页 |
| 3.1 超参数的设置 | 第21-24页 |
| 3.1.1 网络层数和神经元数目 | 第21-22页 |
| 3.1.2 权重初始化 | 第22-23页 |
| 3.1.3 权重衰减项系数的设置 | 第23-24页 |
| 3.2 训练优化算法 | 第24-27页 |
| 3.2.1 基于动量的训练优化算法 | 第24-26页 |
| 3.2.2 adagrad算法 | 第26页 |
| 3.2.3 adadelta算法 | 第26-27页 |
| 3.3 过拟合抑制算法 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 基于卷积神经网络的输电线故障识别 | 第29-39页 |
| 4.1 数据集 | 第29-32页 |
| 4.1.1 数据采集 | 第29-30页 |
| 4.1.2 图像增强与训练数据的建立 | 第30-32页 |
| 4.2 卷积神经网络设计与训练 | 第32-35页 |
| 4.2.1 网络结构及其讨论 | 第32-34页 |
| 4.2.2 超参数设置 | 第34-35页 |
| 4.3 实验环境和实验结果 | 第35-36页 |
| 4.4 结果分析 | 第36-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第5章 输电线故障定位方法的研究 | 第39-55页 |
| 5.1 基于卷积神经网络的经典目标定位方法 | 第39-43页 |
| 5.1.1 基于原始图像的窗口法 | 第39-40页 |
| 5.1.2 基于特征图的窗口法 | 第40-41页 |
| 5.1.3 基于卷积神经网络的类滑动窗法 | 第41-43页 |
| 5.2 基于滑动窗和输出图的目标定位方法 | 第43-50页 |
| 5.2.1 类滑动窗口法的偏移池化操作及其改进 | 第43-46页 |
| 5.2.2 基于输出图信息的目标定位原理 | 第46-50页 |
| 5.3 输电线故障检测结果与分析 | 第50-54页 |
| 5.3.1 输电线故障图片检测结果 | 第50-53页 |
| 5.3.2 结果分析 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 结论与展望 | 第55-57页 |
| 6.1 结论 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第61-62页 |
| 致谢 | 第62页 |