| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 接地网腐蚀检测现状 | 第10页 |
| 1.2.2 腐蚀状态分类现状 | 第10-11页 |
| 1.2.3 深度学习研究现状 | 第11-12页 |
| 1.3 主要内容及章节安排 | 第12-14页 |
| 2 腐蚀材料图像预处理 | 第14-28页 |
| 2.1 掩埋实验 | 第14-15页 |
| 2.2 图像增强算法 | 第15-23页 |
| 2.2.1 灰度图像增强 | 第15-19页 |
| 2.2.2 彩色图像增强 | 第19-23页 |
| 2.3 基于灰度变换和YUV颜色空间的腐蚀图像增强算法 | 第23-24页 |
| 2.4 实验结果对比 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 基于改进人工蜂群算法的腐蚀图像分割 | 第28-41页 |
| 3.1 图像分割相关研究 | 第28-29页 |
| 3.2 基于改进蜂群的图像分割算法 | 第29-30页 |
| 3.3 腐蚀图像特征提取 | 第30-32页 |
| 3.3.1 相关彩色空间 | 第30页 |
| 3.3.2 Gabor滤波器 | 第30-31页 |
| 3.3.3 局部同质性 | 第31-32页 |
| 3.4 改进人工蜂群算法 | 第32-36页 |
| 3.4.1 人工蜂群算法的基本思想 | 第33-34页 |
| 3.4.2 初始化阶段改进 | 第34-35页 |
| 3.4.3 雇佣蜂阶段改进 | 第35-36页 |
| 3.4.4 观察蜂阶段改进 | 第36页 |
| 3.5 种子区域增长 | 第36-37页 |
| 3.6 实验结果 | 第37-39页 |
| 3.7 样本空间的建立 | 第39-40页 |
| 3.7.1 训练样本 | 第39-40页 |
| 3.7.2 典型区域样本 | 第40页 |
| 3.8 本章小结 | 第40-41页 |
| 4 基于深度学习的腐蚀特征学习模型的构建 | 第41-56页 |
| 4.1 深度学习算法 | 第41-43页 |
| 4.1.1 深度学习结构 | 第41-42页 |
| 4.1.2 深度学习训练过程 | 第42-43页 |
| 4.2 深度学习常用方法 | 第43-45页 |
| 4.3 受限玻尔兹曼机（RBM） | 第45-48页 |
| 4.3.1 RBM的结构 | 第46-47页 |
| 4.3.2 RBM的训练 | 第47-48页 |
| 4.4 深信念网络（DBN） | 第48-49页 |
| 4.5 改进的深信念网络 | 第49-54页 |
| 4.5.1 改进的DBN网络设计 | 第49-50页 |
| 4.5.2 双线性判别初始化 | 第50-51页 |
| 4.5.3 贪婪逐层重建 | 第51-53页 |
| 4.5.4 全局微调 | 第53-54页 |
| 4.6 模型的建立 | 第54-55页 |
| 4.7 本章小结 | 第55-56页 |
| 5 基于混合算法的腐蚀分类模型的构建 | 第56-76页 |
| 5.1 SOM神经网络分类器设计 | 第56-59页 |
| 5.1.1 自组织特征映射网络 | 第56页 |
| 5.1.2 竞争学习规则 | 第56-57页 |
| 5.1.3 SOM神经网络结构模型和学习过程 | 第57-58页 |
| 5.1.4 基于SOM神经网络分类器设计 | 第58-59页 |
| 5.2 K-均值聚类算法分类器设计 | 第59-61页 |
| 5.2.1 聚类准则函数 | 第59-60页 |
| 5.2.2 K-均值算法思想及框架 | 第60页 |
| 5.2.3 基于K-均值算法分类器设计 | 第60-61页 |
| 5.3 基于SOM-K均值算法腐蚀分类器设计 | 第61-67页 |
| 5.3.1 算法流程图 | 第62页 |
| 5.3.2 腐蚀分类器参数设置以及训练过程 | 第62-64页 |
| 5.3.3 实验结果 | 第64-67页 |
| 5.4 腐蚀评级量化处理 | 第67-75页 |
| 5.4.1 保护等级 | 第67-74页 |
| 5.4.2 外观等级 | 第74-75页 |
| 5.5 本章小结 | 第75-76页 |
| 6 结论与展望 | 第76-78页 |
| 6.1 结论 | 第76页 |
| 6.2 展望 | 第76-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 附录I | 第83页 |