| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 无人机巡检输电线路的研究现状 | 第10-12页 |
| 1.2.2 航拍图像的绝缘子识别及缺陷检测研究现状 | 第12-13页 |
| 1.3 研究内容与论文结构 | 第13-14页 |
| 第二章 绝缘子检测识别技术 | 第14-37页 |
| 2.1 绝缘子定位分割技术 | 第14-18页 |
| 2.1.1 穷举搜索 | 第14页 |
| 2.1.2 选择性搜索 | 第14-16页 |
| 2.1.3 边框回归 | 第16-18页 |
| 2.2 分类器 | 第18-26页 |
| 2.2.1 HOG特征提取 | 第18-20页 |
| 2.2.2 主成分分析(PCA) | 第20-22页 |
| 2.2.3 支持向量机 | 第22-26页 |
| 2.2.4 softmax分类器 | 第26页 |
| 2.3 神经网络(NN) | 第26-31页 |
| 2.3.1 人工神经网络概述 | 第26-27页 |
| 2.3.2 单层感知器 | 第27-28页 |
| 2.3.3 多层感知器 | 第28-30页 |
| 2.3.4 前馈反向传播算法 | 第30-31页 |
| 2.4 卷积神经网络(CNN) | 第31-36页 |
| 2.4.1 卷积神经网络概述 | 第31页 |
| 2.4.2 卷积神经网络的基本特征 | 第31-32页 |
| 2.4.3 卷积神经网络的结构 | 第32-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第三章 绝缘子图像获取及定位分割 | 第37-45页 |
| 3.1 样本的获取 | 第37-38页 |
| 3.2 绝缘子样本的制作 | 第38-43页 |
| 3.2.1 样本处理 | 第38-42页 |
| 3.2.2 样本标记 | 第42-43页 |
| 3.3 基于选择性搜索的绝缘子分割 | 第43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 绝缘子识别 | 第45-59页 |
| 4.1 基于分类器的绝缘子识别 | 第45-47页 |
| 4.1.1 HOG特征提取 | 第45-46页 |
| 4.1.2 支持向量机(SVM) | 第46-47页 |
| 4.1.3 交叉验证 | 第47页 |
| 4.2 基于传统神经网络的绝缘子识别 | 第47-50页 |
| 4.2.1 特征提取 | 第47-48页 |
| 4.2.2 特征降维(PCA) | 第48-49页 |
| 4.2.3 神经网络的结构设计 | 第49-50页 |
| 4.2.4 神经网络的训练 | 第50页 |
| 4.3 基于卷积神经网络的绝缘子识别 | 第50-54页 |
| 4.3.1 训练样本集预处理 | 第50-51页 |
| 4.3.2 卷积神经网络的结构设计 | 第51页 |
| 4.3.3 卷积神经网络的训练 | 第51-53页 |
| 4.3.4 特征可视化 | 第53-54页 |
| 4.4 绝缘子识别结果对比分析 | 第54-58页 |
| 4.4.1 CNN识别结果分析 | 第54-56页 |
| 4.4.2 不同算法的比较 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 绝缘子自爆缺失检测 | 第59-69页 |
| 5.1 绝缘子自爆缺失的原因 | 第59页 |
| 5.2 基于CNN的绝缘子自爆缺失检测 | 第59-67页 |
| 5.2.1 绝缘子重构 | 第60-61页 |
| 5.2.2 超像素分割 | 第61-64页 |
| 5.2.3 自爆缺失判定 | 第64-67页 |
| 5.3 实验结果与分析 | 第67-68页 |
| 5.3.1 缺陷识别率测试 | 第67页 |
| 5.3.2 缺陷检测效果测试 | 第67-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-70页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附录一 插图清单 | 第74-76页 |
| 附录二 表格清单 | 第76-77页 |
| 在学研究成果 | 第77-78页 |
| 致谢 | 第78页 |