| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 候选目标区域生成方法研究现状 | 第12-13页 |
| 1.2.2 绝缘子定位方法研究现状 | 第13-15页 |
| 1.2.3 问题总结 | 第15页 |
| 1.3 论文主要工作及内容安排 | 第15-17页 |
| 第2章 基于Edge Boxes的绝缘子候选目标区域生成方法 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 候选目标区域生成方法 | 第17-20页 |
| 2.2.1 多尺度滑动窗口方法 | 第17-18页 |
| 2.2.2 选择性搜索 | 第18-19页 |
| 2.2.3 Edge Boxes | 第19-20页 |
| 2.3 基于Edge Boxes的绝缘子候选目标区域生成方法 | 第20-23页 |
| 2.3.1 整体框架 | 第20-21页 |
| 2.3.2 图像预处理 | 第21页 |
| 2.3.3 曲率尺度空间角点提取 | 第21-22页 |
| 2.3.4 K-means聚类和聚类数的选择 | 第22-23页 |
| 2.3.5 画圆 | 第23页 |
| 2.4 实验结果及分析 | 第23-28页 |
| 2.4.1 实验结果定性分析 | 第24-25页 |
| 2.4.2 实验结果定量分析 | 第25-28页 |
| 2.4.2.1 有效性和精准度 | 第25-27页 |
| 2.4.2.2 生成速度 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 输变电绝缘设备红外图像检测数据库构建及R-CNN模型微调 | 第29-41页 |
| 3.1 引言 | 第29页 |
| 3.2 深度学习视觉领域经典数据集 | 第29-31页 |
| 3.2.1 MNIST手写体数字数据集 | 第29页 |
| 3.2.2 ImageNet公共数据集 | 第29-30页 |
| 3.2.3 PASCALVOC挑战赛数据集 | 第30-31页 |
| 3.3 输变电绝缘设备红外图像检测数据库 | 第31-34页 |
| 3.3.1 目的和意义 | 第31页 |
| 3.3.2 构建输变电绝缘设备红外图像检测数据库 | 第31-34页 |
| 3.3.2.1 准备工作 | 第31-33页 |
| 3.3.2.2 绝缘设备标注 | 第33-34页 |
| 3.4 基于输变电绝缘设备红外图像检测数据库的R-CNN模型微调 | 第34-40页 |
| 3.4.1 深度卷积神经网络模型和R-CNN模型 | 第35-37页 |
| 3.4.1.1 深度卷积神经网络模型 | 第35-37页 |
| 3.4.1.2 R-CNN模型 | 第37页 |
| 3.4.2 微调Faster R-CNN模型 | 第37-40页 |
| 3.4.2.1 微调结果定性分析 | 第38-39页 |
| 3.4.2.2 微调结果定量分析 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于Faster R-CNN的绝缘子图像定位方法 | 第41-50页 |
| 4.1 引言 | 第41-42页 |
| 4.2 RPN网络 | 第42-43页 |
| 4.3 基于Faster R-CNN的绝缘子图像定位方法 | 第43-45页 |
| 4.3.1 方法框架 | 第43页 |
| 4.3.2 适于绝缘子定位的RPN改进 | 第43-45页 |
| 4.4 实验结果及分析 | 第45-49页 |
| 4.4.1 实验结果定性分析 | 第45-48页 |
| 4.4.1.1 不同长宽比 | 第45-46页 |
| 4.4.1.2 不同尺度 | 第46-47页 |
| 4.4.1.3 与其他R-CNN目标检测模型对比 | 第47-48页 |
| 4.4.1.4 更多定位结果 | 第48页 |
| 4.4.2 实验结果定量分析 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
| 攻读硕士学位期间参加的科研工作 | 第57-58页 |
| 致谢 | 第58页 |
