基于机器视觉的无人值守变电所绝缘子故障检测系统研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 机器视觉检测技术简介 | 第11-12页 |
| 1.2.2 智能监控技术研究现状 | 第12-13页 |
| 1.2.3 智能监控技术在变电站中的应用 | 第13-14页 |
| 1.3 绝缘子故障非接触式检测方法 | 第14-16页 |
| 1.4 本文主要研究内容 | 第16-18页 |
| 第二章 绝缘子红外图像处理方法研究 | 第18-29页 |
| 2.1 红外诊断技术简介 | 第18-21页 |
| 2.1.1 红外诊断技术特点 | 第18-19页 |
| 2.1.2 红外诊断技术方法 | 第19-21页 |
| 2.2 变电所红外图像故障诊断基本原理 | 第21-23页 |
| 2.3 绝缘子红外图像温度故障诊断 | 第23-27页 |
| 2.3.1 红外图像温标的建立 | 第23-26页 |
| 2.3.2 红外图像故障诊断结果 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 绝缘子图像识别与分析 | 第29-53页 |
| 3.1 绝缘子图像识别过程 | 第30-31页 |
| 3.2 基于简化脉冲耦合神经网络的图像去噪算法 | 第31-39页 |
| 3.2.1 图像噪声概述 | 第31-32页 |
| 3.2.2 PCNN基本理论 | 第32-34页 |
| 3.2.3 PCNN模型对噪声的的定位与去除 | 第34-35页 |
| 3.2.4 实验仿真与结果分析 | 第35-39页 |
| 3.3 基于尺度不变特征转换算法的绝缘子图像配准 | 第39-46页 |
| 3.3.1 尺度空间极值检测 | 第40-42页 |
| 3.3.2 关键点精确定位 | 第42页 |
| 3.3.3 确定特征点主方向 | 第42-43页 |
| 3.3.4 特征点描述子生成 | 第43-44页 |
| 3.3.5 实验结果分析 | 第44-46页 |
| 3.4 绝缘子图像关键区域分割与标记 | 第46-52页 |
| 3.4.1 图像分割 | 第46-48页 |
| 3.4.2 形态学处理和标记 | 第48-50页 |
| 3.4.3 形态学细化处理 | 第50-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 绝缘子故障分类识别 | 第53-71页 |
| 4.1 基于Hu不变距的图像特征提取 | 第54-57页 |
| 4.1.1 Hu不变矩介绍 | 第54-56页 |
| 4.1.2 绝缘子图像特征值提取 | 第56-57页 |
| 4.2 绝缘子缺损图像识别 | 第57-67页 |
| 4.2.1 基于BP神经网络的故障分类识别 | 第58-61页 |
| 4.2.2 BP神经网络的训练与仿真 | 第61-63页 |
| 4.2.3 基于RBF神经网络的故障分类识别 | 第63-65页 |
| 4.2.4 RBF神经网络的训练与仿真 | 第65-67页 |
| 4.3 绝缘子闪络烧疤检测 | 第67-70页 |
| 4.3.1 绝缘子烧疤检测算法 | 第67-68页 |
| 4.3.2 HSV颜色空间简介 | 第68-69页 |
| 4.3.3 绝缘子闪络烧疤仿真检测 | 第69-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第五章 全文总结与展望 | 第71-74页 |
| 5.1 论文工作总结 | 第71-72页 |
| 5.2 未来工作展望 | 第72-74页 |
| 参考文献 | 第74-77页 |
| 致谢 | 第77-78页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第78页 |
