| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 X射线无损检测技术的发展历程 | 第12-13页 |
| 1.2.2 X射线在电力设备中的研究现状 | 第13-14页 |
| 1.2.3 X射线图像处理现状 | 第14-16页 |
| 1.3 课题的来源及主要研究内容 | 第16-18页 |
| 1.3.1 课题的来源 | 第16页 |
| 1.3.2 课题的主要研究内容 | 第16-18页 |
| 第2章 基于X射线的盆式绝缘子缺陷识别方法基本原理及研究方案介绍 | 第18-26页 |
| 2.1 盆式绝缘子介绍 | 第18-19页 |
| 2.2 X-DR检测的基本原理与依据 | 第19-20页 |
| 2.3 总体研究方案介绍 | 第20-25页 |
| 2.3.1 实验平台介绍 | 第20-24页 |
| 2.3.2 X射线图像的研究方案 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于改进三维块匹配的盆式绝缘子射线图像去噪方法研究 | 第26-36页 |
| 3.1 盆式绝缘子射线图像去噪的必要性 | 第26-27页 |
| 3.2 协同滤波原理 | 第27-30页 |
| 3.2.1 三维块匹配算法 | 第27页 |
| 3.2.2 小波变换 | 第27-29页 |
| 3.2.3 维纳滤波 | 第29-30页 |
| 3.3 改进的三维块匹配算法 | 第30-33页 |
| 3.4 去噪试验及结果分析 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于改进CNN的盆式绝缘子射线图像缺陷识别方法研究 | 第36-50页 |
| 4.1 概述 | 第36页 |
| 4.2 K近邻法 | 第36-38页 |
| 4.3 支持向量机 | 第38-39页 |
| 4.4 BP神经网络 | 第39-41页 |
| 4.5 卷积神经网络 | 第41-46页 |
| 4.5.1 卷积神经网络的基本结构 | 第42-43页 |
| 4.5.2 卷积神经网络的训练 | 第43-46页 |
| 4.6 基于改进CNN的盆式绝缘子射线图像缺陷识别 | 第46-49页 |
| 4.7 本章小结 | 第49-50页 |
| 第5章 实验及结果分析 | 第50-57页 |
| 5.1 试验简介 | 第50-52页 |
| 5.2 图像数据采集 | 第52-54页 |
| 5.3 实验结果分析 | 第54-55页 |
| 5.4 本章小结 | 第55-57页 |
| 结论与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录 攻读硕士学位期间取得的研究成果 | 第64页 |
