基于红外热像的瓷绝缘子劣化识别技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 绝缘子检测技术研究现状 | 第11-14页 |
| 1.2.2 红外成像法检测技术现状 | 第14页 |
| 1.3 课题来源 | 第14-15页 |
| 1.4 本文主要研究内容和创新点 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第2章 红外检测原理及盲区现象分析 | 第17-32页 |
| 2.1 红外成像法技术原理 | 第17-21页 |
| 2.1.1 红外成像原理 | 第17-19页 |
| 2.1.2 红外热像仪工作原理及特点 | 第19-20页 |
| 2.1.3 电力设备的红外检测方法 | 第20-21页 |
| 2.2 劣化绝缘子发热机理及盲区现象分析 | 第21-31页 |
| 2.2.1 绝缘子电压分布计算 | 第21-23页 |
| 2.2.2 绝缘子温升模型 | 第23-25页 |
| 2.2.3 绝缘子红外检测盲区现象分析 | 第25-29页 |
| 2.2.4 盲区绝缘子对整体温升的影响 | 第29-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 绝缘子红外热像处理 | 第32-39页 |
| 3.1 绝缘子红外热像去噪 | 第32-35页 |
| 3.1.1 噪声类型 | 第32-33页 |
| 3.1.2 图像去噪 | 第33-35页 |
| 3.2 绝缘子角度校正 | 第35-36页 |
| 3.3 绝缘子区域定位及分割 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于卷积神经网络的劣化绝缘子识别模型 | 第39-66页 |
| 4.1 卷积神经网络的构成 | 第39-47页 |
| 4.1.1 卷积层 | 第39-41页 |
| 4.1.2 激活层 | 第41-45页 |
| 4.1.3 池化层 | 第45-46页 |
| 4.1.4 全连接层 | 第46-47页 |
| 4.2 网络训练优化算法及防过拟合 | 第47-52页 |
| 4.2.1 网络训练过程 | 第47-50页 |
| 4.2.2 训练优化算法 | 第50-51页 |
| 4.2.3 Dropout技术 | 第51-52页 |
| 4.3 基于卷积神经网络的劣化绝缘子识别模型 | 第52-56页 |
| 4.3.1 网络结构及参数配置 | 第52-54页 |
| 4.3.2 输入图像预处理 | 第54-56页 |
| 4.3.3 模型效果评价标准 | 第56页 |
| 4.4 试验及分析 | 第56-65页 |
| 4.4.1 试验环境 | 第56-58页 |
| 4.4.2 试验样本 | 第58页 |
| 4.4.3 模型超参数选择 | 第58-62页 |
| 4.4.4 模型性能验证 | 第62-64页 |
| 4.4.5 模型误识别原因分析 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 结论与展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 致谢 | 第73-74页 |
| 附录 A攻读学位期间所发表的学术论文目录 | 第74-75页 |
| 附录 B攻读学位期间所参加的科研项目目录 | 第75页 |
