| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题的研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 机器视觉在无人值守变电所巡检中的应用研究现状 | 第12-14页 |
| 1.2.2 红外图像分析与处理研究现状 | 第14-16页 |
| 1.2.3 可见光下指针仪表设备特征检测与识别研究现状 | 第16-17页 |
| 1.3 论文的研究内容与创新点 | 第17-19页 |
| 1.4 论文的章节安排 | 第19-20页 |
| 第二章 电气设备红外诊断的传统分析方法与改进 | 第20-33页 |
| 2.1 红外诊断技术简介 | 第20-22页 |
| 2.1.1 红外诊断技术特点 | 第20-21页 |
| 2.1.2 红外诊断技术方法 | 第21-22页 |
| 2.2 传统红外诊断的处理过程 | 第22-25页 |
| 2.3 传统红外图像预处理与分割方法的改进 | 第25-31页 |
| 2.3.1 传统电气设备红外图像预处理与分割中存在的不足 | 第25页 |
| 2.3.2 基于改进k-means聚类算法的红外图像分割与温度场深入分析 | 第25-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于FastPCA和PHOG特征的电气设备类型及故障状态的识别算法 | 第33-61页 |
| 3.1 PCA、HOG、SVM算法及其改进算法基本原理 | 第33-48页 |
| 3.1.1 PCA特征及其改进FastPCA的基本原理 | 第33-37页 |
| 3.1.2 HOG特征及其改进PHOG的基本原理 | 第37-42页 |
| 3.1.3 SVM特征及其改进的基本原理 | 第42-48页 |
| 3.2 基于FastPCA和PHOG特征加权融合的电气设备类型及故障状态的识别算法 | 第48-52页 |
| 3.2.1 FastPCA、PHOG加权融合的混合描述子 | 第48-51页 |
| 3.2.2 算法关键步骤描述 | 第51-52页 |
| 3.3 实验结果与分析 | 第52-58页 |
| 3.3.1 识别系统的软硬件实验环境与实验结果分析 | 第53-58页 |
| 3.4 软件系统介绍 | 第58-59页 |
| 3.5 本章小结 | 第59-61页 |
| 第四章 基于SURF和FLANN算法的变电所仪表定位与读数识别 | 第61-83页 |
| 4.1 经典的特征检测算法 | 第61-75页 |
| 4.1.1 SIFT算法基本原理 | 第61-64页 |
| 4.1.2 SURF算法基本原理 | 第64-67页 |
| 4.1.3 ORB算法基本原理 | 第67-69页 |
| 4.1.4 AKAZE算法基本原理 | 第69-71页 |
| 4.1.5 四种算法的实现与实验对比分析 | 第71-75页 |
| 4.2 变电所仪表设备图像处理算法的改进与过程优化 | 第75-78页 |
| 4.2.1 仪表设备配准定位的优化 | 第75-77页 |
| 4.2.2 指针识别过程优化 | 第77-78页 |
| 4.3 指针识别实验与分析 | 第78-81页 |
| 4.4 软件系统介绍 | 第81-82页 |
| 4.5 结论 | 第82-83页 |
| 第五章 总结与展望 | 第83-86页 |
| 5.1 总结 | 第83-85页 |
| 5.2 展望 | 第85-86页 |
| 参考文献 | 第86-90页 |
| 致谢 | 第90-91页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第91页 |
