| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.2 数字图像处理技术国内外应用现状及分析 | 第13-14页 |
| 1.2.1 非机器学习的图像处理方法在接触网检测中的应用 | 第14页 |
| 1.2.2 机器学习的图像处理方法在接触网检测中的应用 | 第14页 |
| 1.3 本文主要研究内容 | 第14-16页 |
| 第2章 HOG特征提取与SVM识别算法 | 第16-30页 |
| 2.1 图像预处理 | 第16-21页 |
| 2.1.1 图像灰度化 | 第16-17页 |
| 2.1.2 Gamma校正法 | 第17-20页 |
| 2.1.3 像素梯度计算 | 第20-21页 |
| 2.2 图像检测窗口的阶梯划分 | 第21-24页 |
| 2.2.1 单元格Cell | 第21-23页 |
| 2.2.2 图块Block | 第23-24页 |
| 2.3 特征向量 | 第24-25页 |
| 2.4 支持向量机 | 第25-29页 |
| 2.4.1 最优决策面 | 第25-26页 |
| 2.4.2 最小间隔最大化 | 第26-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 支持悬挂装置关键部件定位识别 | 第30-42页 |
| 3.1 跨座式单轨支持悬挂检测装置 | 第30-31页 |
| 3.2 图像正负样本大小提取实验 | 第31-34页 |
| 3.2.1 支持绝缘子正负样本提取 | 第32-33页 |
| 3.2.2 绝缘子螺栓与支撑压板固定螺栓正负样本提取 | 第33-34页 |
| 3.3 基于HOG特征提取与SVM的支持悬挂关键部件识别算法 | 第34-36页 |
| 3.4 支持绝缘子SVM核函数设置与样本数量设置 | 第36-41页 |
| 3.4.1 支持绝缘子SVM核函数设置 | 第36-40页 |
| 3.4.2 支持绝缘子正负样本数量的选取 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 支持悬挂装置关键部件缺陷识别 | 第42-51页 |
| 4.1 支持悬挂装置关键部件关键帧图片判定 | 第42-43页 |
| 4.2 基于坐标区域与特征提取的缺陷识别算法 | 第43-49页 |
| 4.2.1 支持绝缘子固定螺栓的缺陷识别 | 第43-47页 |
| 4.2.2 支撑压板固定螺栓的缺陷识别 | 第47-49页 |
| 4.3 实验与分析 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 支持悬挂装置故障识别系统实现及应用 | 第51-62页 |
| 5.1 系统功能及总体设计 | 第51-53页 |
| 5.2 系统模块说明 | 第53-59页 |
| 5.2.1 图像特征提取模块 | 第53-55页 |
| 5.2.2 支持绝缘子及两类螺栓定位识别模块 | 第55-56页 |
| 5.2.3 关键帧判定与绝缘子固定螺栓缺陷识别模块 | 第56-57页 |
| 5.2.4 支撑压板固定螺栓缺陷识别模块 | 第57-58页 |
| 5.2.5 显示及分析模块 | 第58-59页 |
| 5.3 实际线路测试 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 结论与展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的学术论文及科研成果 | 第70页 |
