| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外现状 | 第10-11页 |
| 1.3 研究内容 | 第11-14页 |
| 第2章 图像处理与识别目标提取 | 第14-32页 |
| 2.1 图像预处理 | 第14-22页 |
| 2.1.1 图像灰度化 | 第15页 |
| 2.1.2 图像去噪 | 第15-16页 |
| 2.1.3 识别目标定位 | 第16-19页 |
| 2.1.4 前景提升及背景展平处理 | 第19-22页 |
| 2.2 图像特征提取 | 第22-31页 |
| 2.2.1 纹理特征提取 | 第23-29页 |
| 2.2.2 色彩特征提取 | 第29-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 多特征融合图像分类算法 | 第32-38页 |
| 3.1 SVM相关原理 | 第32-34页 |
| 3.2 基于SVM图像分类原理 | 第34-35页 |
| 3.3 多特征融合图像分类算法步骤 | 第35-36页 |
| 3.4 多特征融合图像分类实验及分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 变压器红外图像故障诊断 | 第38-50页 |
| 4.1 卷积神经网络 | 第38-40页 |
| 4.2 基于深度学习的故障诊断算法 | 第40-46页 |
| 4.2.1 图像准备 | 第41-42页 |
| 4.2.2 网络结构 | 第42-45页 |
| 4.2.3 CNN结构及参数选择 | 第45-46页 |
| 4.2.4 CNN目标识别结果 | 第46页 |
| 4.3 基于深度学习与SVM混合模型的变压器故障识别方法 | 第46-49页 |
| 4.3.1 改进模型的结构及训练方法 | 第47-48页 |
| 4.3.2 深度学习与支持向量机混合模型的实验结果分析 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 结论与展望 | 第50-52页 |
| 5.1 结论 | 第50页 |
| 5.2 展望 | 第50-52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 |
| 致谢 | 第57页 |