| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 国外接触网检测技术 | 第12页 |
| 1.2.2 国内接触网检测技术 | 第12-13页 |
| 1.3 论文主要工作 | 第13-15页 |
| 第2章 故障检测技术中的图像处理技术介绍 | 第15-23页 |
| 2.1 数字图像处理基础 | 第15-18页 |
| 2.1.1 形态学处理 | 第15-17页 |
| 2.1.2 对象识别 | 第17-18页 |
| 2.2 深度学习 | 第18-22页 |
| 2.2.1 深度学习的基本思想 | 第18-19页 |
| 2.2.2 深度学习常用模型及方法 | 第19-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 定位绝缘子算法与实验 | 第23-51页 |
| 3.1 样本制作 | 第23-26页 |
| 3.1.1 正样本的制作 | 第23-25页 |
| 3.1.2 负样本的制作 | 第25-26页 |
| 3.2 检测子和描述子的选取 | 第26-29页 |
| 3.2.1 Haar-like特征 | 第26页 |
| 3.2.2 LBP特征 | 第26-28页 |
| 3.2.3 HOG特征 | 第28-29页 |
| 3.3 基于Haar特征和Adaboost分类器的绝缘子定位 | 第29-38页 |
| 3.3.1 Adaboost分类器 | 第29-30页 |
| 3.3.2 Adaboost算法的推导 | 第30-31页 |
| 3.3.3 Adaboost分类器的训练 | 第31-33页 |
| 3.3.4 绝缘子识别过程 | 第33-34页 |
| 3.3.5 结果分析与改进 | 第34-38页 |
| 3.4 基于SURF特征和SVM分类器的绝缘子定位 | 第38-41页 |
| 3.4.1 SVM原理介绍 | 第38-40页 |
| 3.4.2 SURF特征提取 | 第40页 |
| 3.4.3 SVM训练及识别结果 | 第40-41页 |
| 3.5 基于深度学习的绝缘子定位 | 第41-50页 |
| 3.5.1 CAFFE环境搭建 | 第42-43页 |
| 3.5.2 CAFFE训练样本 | 第43-44页 |
| 3.5.3 CAFFE分类测试 | 第44-45页 |
| 3.5.4 CAFFE可视化 | 第45-48页 |
| 3.5.5 结果分析 | 第48-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 绝缘子破损检测与仿真 | 第51-59页 |
| 4.1 模板匹配算法实现绝缘子破损检测 | 第51-53页 |
| 4.1.1 模板匹配算法原理 | 第51-52页 |
| 4.1.2 模板匹配实验 | 第52-53页 |
| 4.1.3 模板匹配实验结果分析 | 第53页 |
| 4.2 局部膨胀算法实现绝缘子破损检测 | 第53-58页 |
| 4.2.1 破损绝缘子膨胀处理 | 第53-54页 |
| 4.2.2 二值化提取特征 | 第54-56页 |
| 4.2.3 计算斑点间距 | 第56-58页 |
| 4.2.4 膨胀处理结果分析 | 第58页 |
| 4.3 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |