| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 课题的研究内容及论文的组织结构 | 第12-14页 |
| 1.3.1 课题的主要研究内容 | 第12页 |
| 1.3.2 论文的组织结构 | 第12-14页 |
| 第2章 相关研究理论知识 | 第14-23页 |
| 2.1 图像去噪 | 第14-15页 |
| 2.2 图像分割 | 第15-17页 |
| 2.3 深度学习模型 | 第17-22页 |
| 2.3.1 深度置信网络 | 第17-19页 |
| 2.3.2 自动编码机 | 第19-20页 |
| 2.3.3 卷积神经网络 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于深度特征和模型融合的输电线路部件图像分类 | 第23-34页 |
| 3.1 基于深度残差网络的特征提取 | 第23-25页 |
| 3.2 SVM分类器算法 | 第25-30页 |
| 3.3 模型融合 | 第30-31页 |
| 3.4 实验结果与分析 | 第31-33页 |
| 3.4.1 图像信息 | 第31页 |
| 3.4.2 实验环境 | 第31-32页 |
| 3.4.3 实验结果及分析 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于深度学习和稀疏表示的绝缘子图像分类 | 第34-43页 |
| 4.1 基于Faster-RCNN的绝缘子检测 | 第34-35页 |
| 4.2 绝缘子图像的稀疏表示 | 第35-37页 |
| 4.3 绝缘子状态分类步骤 | 第37-39页 |
| 4.4 实验结果分析 | 第39-42页 |
| 4.4.1 样本库 | 第39页 |
| 4.4.2 实验环境 | 第39页 |
| 4.4.3 实验结果与分析 | 第39-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 结论与展望 | 第43-45页 |
| 5.1 结论 | 第43-44页 |
| 5.2 展望 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第49-50页 |
| 致谢 | 第50页 |