| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-14页 |
| 1.3 论文的主要研究工作 | 第14-15页 |
| 1.4 论文结构 | 第15-17页 |
| 2 调研和预备工作 | 第17-31页 |
| 2.1 计算机视觉中目标检测方法研究 | 第17-21页 |
| 2.1.1 基于特征的目标检测方法 | 第17-19页 |
| 2.1.2 基于机器学习的目标检测方法 | 第19-21页 |
| 2.2 输电线路图像上防震锤的检测 | 第21-25页 |
| 2.2.1 基于随机霍夫变换的检测方法 | 第22-25页 |
| 2.3 基于特征提取和分类算法的防震锤检测可行性分析 | 第25-27页 |
| 2.4 正负样本的提取 | 第27-30页 |
| 2.5 小结 | 第30-31页 |
| 3 基于ADABOOST算法的防震锤检测方法 | 第31-55页 |
| 3.1 输电线路图像的预处理 | 第32-33页 |
| 3.1.1 基于累计概率霍夫变换的输电线提取 | 第32-33页 |
| 3.2 ADABOOST算法的训练过程 | 第33-39页 |
| 3.2.1 Haar特征和特征数目 | 第34-37页 |
| 3.2.2 积分图 | 第37-39页 |
| 3.3 分类器的设计与防震锤的检测过程 | 第39-44页 |
| 3.3.1 分类器的设计 | 第39-42页 |
| 3.3.2 分类器用于防震锤的检测 | 第42-44页 |
| 3.4 实验结果与分析 | 第44-54页 |
| 3.4.1 分类器的训练 | 第44-46页 |
| 3.4.2 分类器的检测阶段 | 第46-47页 |
| 3.4.3 实验结果分析 | 第47-52页 |
| 3.4.4 基于多视角匹配检测结果的优化 | 第52-54页 |
| 3.5 小结 | 第54-55页 |
| 4 基于深度学习的防震锤检测方法 | 第55-68页 |
| 4.1 深度学习和卷积神经网络 | 第55-59页 |
| 4.1.1 卷积神经网络概述 | 第56-59页 |
| 4.2 神经网络模型的设计 | 第59-63页 |
| 4.2.1 卷积神经网络的实现 | 第59-60页 |
| 4.2.2 防震锤检测模型的设计 | 第60-63页 |
| 4.3 实验结果与分析 | 第63-67页 |
| 4.3.1 检测模型的训练 | 第63-65页 |
| 4.3.2 实验结果分析 | 第65-67页 |
| 4.4 小结 | 第67-68页 |
| 5 总结与展望 | 第68-70页 |
| 5.1 论文工作总结 | 第68-69页 |
| 5.2 展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 作者简历 | 第73-75页 |
| 学位论文数据集 | 第75页 |