| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景介绍 | 第9页 |
| 1.2 国内外研究现状及发展动态 | 第9-12页 |
| 1.3 基于图像特征的GIS典型缺陷识别方法的研究意义 | 第12-13页 |
| 1.4 论文的主要工作和结构安排 | 第13-14页 |
| 第2章 GIS电气设备缺陷分析及图像识别技术研究 | 第14-20页 |
| 2.1 GIS电气设备的组成成分及缺陷分析 | 第14-17页 |
| 2.1.1 GIS设备组成成分 | 第14-15页 |
| 2.1.2 GIS设备常见缺陷 | 第15-16页 |
| 2.1.3 GIS设备常见缺陷原因分析 | 第16-17页 |
| 2.2 图像识别技术研究 | 第17-19页 |
| 2.2.1 图像识别技术 | 第17页 |
| 2.2.2 BP神经网络识别技术 | 第17-18页 |
| 2.2.3 卷积神经网络识别技术 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第3章 基于图像特征的GIS内部典型缺陷图像识别 | 第20-43页 |
| 3.1 典型缺陷图像模拟分类 | 第20页 |
| 3.2 图像的预处理研究 | 第20-29页 |
| 3.2.1 图像灰度化处理 | 第21-22页 |
| 3.2.2 图像增强处理 | 第22-27页 |
| 3.2.3 图像分割处理 | 第27-29页 |
| 3.3 基于BP神经网络的图像分类技术研究 | 第29-39页 |
| 3.3.1 图像的典型特征分析与提取 | 第29-33页 |
| 3.3.2 提取特征实验分析 | 第33-35页 |
| 3.3.3 特征向量的归一化处理 | 第35-36页 |
| 3.3.4 BP神经网络的设计及训练 | 第36-38页 |
| 3.3.5 测试结果及分析 | 第38-39页 |
| 3.4 基于卷积神经网络的图像分类技术研究 | 第39-42页 |
| 3.4.1 图像预处理 | 第39页 |
| 3.4.2 卷积神经网络的设计 | 第39-40页 |
| 3.4.3 卷积神经网络的训练及测试 | 第40-41页 |
| 3.4.4 测试结果及分析 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 GIS内部典型缺陷图像识别系统软件开发 | 第43-54页 |
| 4.1 系统的概要设计 | 第43-44页 |
| 4.1.1 系统功能设计 | 第43页 |
| 4.1.2 系统界面设计 | 第43-44页 |
| 4.2 缺陷图像识别模块设计 | 第44-47页 |
| 4.2.1 缺陷图像识别界面 | 第44-45页 |
| 4.2.2 上传图像界面 | 第45-47页 |
| 4.3 缺陷图像管理模块设计 | 第47-49页 |
| 4.3.1 缺陷图像管理界面 | 第47-49页 |
| 4.3.2 添加新缺陷类型界面 | 第49页 |
| 4.4 更新神经网络模块设计 | 第49-51页 |
| 4.5 更新模块测试研究 | 第51-53页 |
| 4.5.1 提高识别率的测试 | 第51页 |
| 4.5.2 新缺陷类型的测试 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 结论与展望 | 第54-56页 |
| 5.1 结论 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-60页 |
| 致谢 | 第60页 |