| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 本文主要工作 | 第16-18页 |
| 1.3.1 本文研究内容 | 第16-17页 |
| 1.3.2 本文研究创新性 | 第17-18页 |
| 1.4 本文章节安排 | 第18-20页 |
| 第二章 无人机航拍输电线图像预处理 | 第20-30页 |
| 2.1 图像进行灰度化处理 | 第21-22页 |
| 2.2 几种图像去躁方法 | 第22-28页 |
| 2.2.1 均值滤波 | 第22-24页 |
| 2.2.2 高斯滤波 | 第24-26页 |
| 2.2.3 中值滤波 | 第26-28页 |
| 2.3 图像直方图均衡化 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于无人机航拍图像的输电线检测 | 第30-48页 |
| 3.1 几种图像的边缘检测方法 | 第31-35页 |
| 3.1.1 Sobel算子 | 第31-33页 |
| 3.1.2 高斯拉普拉斯算子 | 第33-35页 |
| 3.1.3 Canny边缘检测算法 | 第35页 |
| 3.2 基于EDGEDRAWING改进的边缘检测方法 | 第35-37页 |
| 3.3 基于区域分割的输电线检测方法 | 第37-42页 |
| 3.3.1 标准Hough变换的原理 | 第38-39页 |
| 3.3.2 改进的随机Hough变换算法 | 第39-42页 |
| 3.4 实验分析 | 第42-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基于深度信念网络的输电线故障识别 | 第48-68页 |
| 4.1 深度信念网络模型 | 第48-54页 |
| 4.1.1 受限玻尔兹曼机 | 第50-51页 |
| 4.1.2 激活函数 | 第51-53页 |
| 4.1.3 Softmax回归 | 第53-54页 |
| 4.2 基于无人机航拍图像的输电线故障检测 | 第54-60页 |
| 4.2.1 建立无人机航拍图像数据库 | 第54-57页 |
| 4.2.2 构建PReLU-DBN模型 | 第57-60页 |
| 4.3 实验分析 | 第60-66页 |
| 4.3.1 本章实验对比 | 第61-65页 |
| 4.3.2 与其他分类方法的对比 | 第65-66页 |
| 4.4 本章小结 | 第66-68页 |
| 第五章 总结与展望 | 第68-70页 |
| 总结 | 第68页 |
| 展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士学位期间发表论文和参与科研项目情况 | 第75-76页 |
| 已发表或录用的论文 | 第75页 |
| 参与的科研课题 | 第75-76页 |
| 致谢 | 第76页 |