| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 特征提取研究现状 | 第11-13页 |
| 1.2.2 深度学习研究现状 | 第13-15页 |
| 1.3 论文研究内容与结构安排 | 第15-16页 |
| 1.3.1 论文的主要研究内容 | 第16页 |
| 1.3.2 论文的组织结构 | 第16页 |
| 1.4 本章小结 | 第16-18页 |
| 第二章 深度卷积神经网络、SIFT及HOUGH变换简介 | 第18-25页 |
| 2.1 人工神经元简介 | 第18-19页 |
| 2.2 深度神经网络及理论介绍 | 第19-22页 |
| 2.2.1 LeNet5网络简介 | 第19-21页 |
| 2.2.2 AlexNet网络简介 | 第21页 |
| 2.2.3 欠拟合和过拟合 | 第21-22页 |
| 2.3 SIFT特征提取简介 | 第22-23页 |
| 2.3.1 尺度空间极点检测 | 第22-23页 |
| 2.3.2 特征点的精确定位 | 第23页 |
| 2.4 HOUGH变换简介 | 第23-24页 |
| 2.4.1 HOUGH直线检测基本思想 | 第23-24页 |
| 2.4.2 HOUGH曲线检测基本思想 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于深度卷积神经网络的变电站仪表设备类型识别 | 第25-43页 |
| 3.1 训练集扩容 | 第26-33页 |
| 3.1.1 图像背景置换 | 第26-30页 |
| 3.1.2 人为添加噪音 | 第30-31页 |
| 3.1.3 图像平移扩容 | 第31页 |
| 3.1.4 图像旋转扩容 | 第31-32页 |
| 3.1.5 图形仿射扩容 | 第32-33页 |
| 3.2 基于深度卷积神经网络的变电设备类型识别 | 第33-39页 |
| 3.2.1 网络结构及参数设定 | 第33-35页 |
| 3.2.2 损失函数的选择 | 第35-36页 |
| 3.2.3 激活函数的选择 | 第36-38页 |
| 3.2.4 基于识别率的深度神经网络自动训练方法 | 第38-39页 |
| 3.2.5 试验环境及参数设定 | 第39页 |
| 3.3 实验结果与分析 | 第39-42页 |
| 3.3.1 实验结果展示 | 第39-41页 |
| 3.3.2 结果分析与识别率优化 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于SIFT+HOUGH的指针式仪表设备自动读数 | 第43-53页 |
| 4.1 基于SIFT+HOUGH的指针式仪表盘定位 | 第43-47页 |
| 4.1.1 基于SIFT的指针式仪表粗定位 | 第43-46页 |
| 4.1.2 基于SIFT+HOUGH的仪表盘精确定位 | 第46-47页 |
| 4.2 仪表指针线确定方法 | 第47-48页 |
| 4.3 图像数据中仪表旋转角度计算方法 | 第48-49页 |
| 4.3.1 基于SIFT特征点的仪表相对模板旋转角度计算 | 第49页 |
| 4.3.2 标准模板刻度 | 第49页 |
| 4.4 指针的自动读数 | 第49-50页 |
| 4.5 实验结果及分析 | 第50-51页 |
| 4.6 本章小结 | 第51-53页 |
| 第五章 实时仪表指针识别系统的设计与实现 | 第53-60页 |
| 5.1 需求分析 | 第53-54页 |
| 5.2 功能分析 | 第54页 |
| 5.3 仪表识别系统的设计与实现 | 第54-59页 |
| 5.3.1 训练神经网络模型模块 | 第55-57页 |
| 5.3.2 图像识别模块 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第64-65页 |
| 附录2 攻读硕士学位期间申请的专利 | 第65-66页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第66-67页 |
| 致谢 | 第67页 |
