| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文研究的重点 | 第15-18页 |
| 1.3.1 论文的主要研究内容 | 第15-16页 |
| 1.3.2 论文的章节安排 | 第16-18页 |
| 第二章 基于双区域滤波和MSR算法的图像去雾 | 第18-34页 |
| 2.1 图像去雾算法概述 | 第18-20页 |
| 2.1.1 概述 | 第18页 |
| 2.1.2 去雾算法 | 第18-20页 |
| 2.2 基于双区域滤波的图像去雾算法 | 第20-26页 |
| 2.2.1 暗原色先验去雾物理模型 | 第21-22页 |
| 2.2.2 暗区域分析 | 第22-24页 |
| 2.2.3 双区域滤波 | 第24-26页 |
| 2.3 基于RETINEX理论的多尺度RETINEX图像去雾算法(MSR) | 第26-30页 |
| 2.3.1 Retinex理论简述 | 第26-27页 |
| 2.3.2 单尺度Retinex算法 | 第27-29页 |
| 2.3.3 多尺度Retinex算法 | 第29-30页 |
| 2.4 图像融合 | 第30页 |
| 2.5 实验结果与分析 | 第30-33页 |
| 2.5.1 主观比较 | 第31-32页 |
| 2.5.2 客观比较 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 基于FASTER R-CNN模型的输电线路外破隐患智能识别 | 第34-53页 |
| 3.1 FASTER R-CNN模型 | 第34-42页 |
| 3.1.1 主要检测模型性能对比 | 第34-38页 |
| 3.1.2 Faster R-CNN网络结构模型 | 第38-42页 |
| 3.2 输电通道隐患应用场景下的目标检测识别 | 第42-48页 |
| 3.2.1 数据库建立 | 第43-45页 |
| 3.2.2 数据预处理 | 第45-46页 |
| 3.2.3 Faster R-CNN | 第46-48页 |
| 3.3 仿真分析 | 第48-52页 |
| 3.3.1 深度学习平台 | 第48-49页 |
| 3.3.2 输电隐患检测结果 | 第49-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 输电线路智能检测系统实现 | 第53-60页 |
| 4.1 智能巡检技术方案 | 第53-55页 |
| 4.1.1 系统结构概述 | 第53-54页 |
| 4.1.2 系统结构 | 第54-55页 |
| 4.2 智能巡检子系统构建 | 第55-58页 |
| 4.2.1 人巡终端子系统 | 第55-58页 |
| 4.2.2 智能监拍子系统 | 第58页 |
| 4.2.3 图像处理子系统 | 第58页 |
| 4.3 智能巡检方案实现 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 展望与总结 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-68页 |
| 附表 | 第68页 |