| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题来源 | 第11页 |
| 1.2 课题研究背景和意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 风电机组巡检研究现状 | 第12-13页 |
| 1.3.2 目标检测方法研究现状 | 第13-15页 |
| 1.3.3 基于深度学习的目标检测算法研究现状 | 第15-16页 |
| 1.4 研究内容和论文结构 | 第16-18页 |
| 第二章 BP神经网络在风电机组视觉检测中的应用 | 第18-35页 |
| 2.1 引言 | 第18页 |
| 2.2 风电机组数据集的建立 | 第18-20页 |
| 2.2.1 风电机组样本获取 | 第18-19页 |
| 2.2.2 风电机组图像预处理 | 第19-20页 |
| 2.3 风电机组特征提取方法 | 第20-24页 |
| 2.3.1 Gabor小波变换 | 第20-22页 |
| 2.3.2 PCA特征降维 | 第22-24页 |
| 2.4 基于BP神经网络的风电机组视觉检测 | 第24-29页 |
| 2.4.1 BP神经网络 | 第24-27页 |
| 2.4.2 风电机组基础检测 | 第27-29页 |
| 2.5 实验结果与分析 | 第29-34页 |
| 2.5.1 风电机组识别实验 | 第29-31页 |
| 2.5.2 风电机组定位实验 | 第31-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 迁移学习模式下GoogLeNet网络在风电机组视觉检测中的应用 | 第35-58页 |
| 3.1 引言 | 第35页 |
| 3.2 卷积神经网络 | 第35-42页 |
| 3.2.1 卷积神经网络原理 | 第35-37页 |
| 3.2.2 卷积神经网络模型 | 第37-42页 |
| 3.3 基于迁移学习的GoogLeNet网络 | 第42-44页 |
| 3.3.1 迁移学习 | 第42-43页 |
| 3.3.2 GoogLeNet模型迁移学习 | 第43-44页 |
| 3.4 基于改进GoogLeNet的风电机组视觉检测 | 第44-49页 |
| 3.4.1 改进GoogLeNet网络模型搭建 | 第44-48页 |
| 3.4.2 改进GoogLeNet网络模型训练 | 第48-49页 |
| 3.5 实验结果与分析 | 第49-57页 |
| 3.5.1 风电机组识别实验 | 第49-54页 |
| 3.5.2 风电机组定位实验 | 第54-57页 |
| 3.6 本章小结 | 第57-58页 |
| 第四章 拓扑图匹配在风电机组编组标定中的应用 | 第58-73页 |
| 4.1 引言 | 第58页 |
| 4.2 风电机组位置特征构建 | 第58-61页 |
| 4.2.1 SURF特征提取 | 第58-60页 |
| 4.2.2 最小二乘法曲线拟合 | 第60-61页 |
| 4.3 基于拓扑图匹配的风电机组编组标定 | 第61-66页 |
| 4.3.1 摄像机成像模型 | 第61-63页 |
| 4.3.2 高阶图匹配 | 第63-66页 |
| 4.3.3 拓扑图匹配 | 第66页 |
| 4.4 实验结果与分析 | 第66-72页 |
| 4.4.1 位置特征构建实验 | 第66-67页 |
| 4.4.2 拓扑图匹配实验 | 第67-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 结论 | 第73-74页 |
| 5.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 英文缩写词表 | 第79-80页 |
| 作者在攻读硕士学位期间公开发表的论文及参加的项目 | 第80-81页 |
| A：相关的论文 | 第80页 |
| B：申请的专利 | 第80页 |
| C：参加的项目 | 第80-81页 |
| 致谢 | 第81页 |