| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 传统的绝缘子检测及故障识别的研究现状 | 第12-15页 |
| 1.2.2 应用卷积神经网络实现绝缘子检测和故障识别的研究现状 | 第15-16页 |
| 1.3 课题的研究内容 | 第16-17页 |
| 1.4 本论文的结构安排 | 第17-19页 |
| 第二章 卷积神经网络的简介 | 第19-29页 |
| 2.1 卷积神经网络的发展 | 第19-20页 |
| 2.2 卷积神经网络的核心 | 第20-23页 |
| 2.2.1 卷积 | 第20-21页 |
| 2.2.2 池化 | 第21页 |
| 2.2.3 局部连接 | 第21-22页 |
| 2.2.4 权值共享 | 第22页 |
| 2.2.5 激活函数 | 第22-23页 |
| 2.2.6 损失函数 | 第23页 |
| 2.2.7 归一化 | 第23页 |
| 2.3 卷积神经网络的训练 | 第23-27页 |
| 2.3.1 训练方法 | 第23-25页 |
| 2.3.2 正则化方法 | 第25-26页 |
| 2.3.3 预训练和微调 | 第26-27页 |
| 2.4 卷积神经网络的优势 | 第27-28页 |
| 2.5 实现卷积神经网络的工具 | 第28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于卷积神经网络的绝缘子检测实现 | 第29-50页 |
| 3.1 搭建卷积神经网络的实验 | 第29-30页 |
| 3.2 网络组件的设计 | 第30-41页 |
| 3.2.1 特征提取网络的设计 | 第30-34页 |
| 3.2.2 目标候选的设计 | 第34-35页 |
| 3.2.3 分类器的设计 | 第35-37页 |
| 3.2.4 权值初始化的设置 | 第37-38页 |
| 3.2.5 边框回归的设计 | 第38-41页 |
| 3.2.6 非极大抑制的设置 | 第41页 |
| 3.3 网络的整体构架设计 | 第41-43页 |
| 3.4 样本的选取和标注 | 第43-44页 |
| 3.4.1 样本采集和处理 | 第43-44页 |
| 3.4.2 样本标注 | 第44页 |
| 3.5 模型的训练及调参 | 第44-49页 |
| 3.5.1 模型的参数设置 | 第44-46页 |
| 3.5.2 自适应学习率优化 | 第46页 |
| 3.5.3 绝缘子检测模型的训练结果 | 第46-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 基于显著性检测的绝缘子自爆识别实现 | 第50-59页 |
| 4.1 基于CNN的显著性检测 | 第50-53页 |
| 4.1.1 结合CNN实现显著性检测的算法设计 | 第50-52页 |
| 4.1.2 CNN显著性检测框架和实现效果 | 第52-53页 |
| 4.2 绝缘子串模型的建立 | 第53-56页 |
| 4.3 绝缘子自爆识别 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 绝缘子检测与自爆识别的测试及系统实现 | 第59-74页 |
| 5.1 测试平台介绍 | 第59页 |
| 5.1.1 硬件平台 | 第59页 |
| 5.1.2 软件平台 | 第59页 |
| 5.2 绝缘子检测效果测试 | 第59-67页 |
| 5.2.1 可视化分析 | 第59-63页 |
| 5.2.2 绝缘子检测效果 | 第63-65页 |
| 5.2.3 不同检测算法的效果对比 | 第65-67页 |
| 5.2.4 提升检测效果的方法 | 第67页 |
| 5.3 绝缘子自爆识别效果测试 | 第67-70页 |
| 5.3.1 基于CNN的显著性检测效果 | 第67-68页 |
| 5.3.2 绝缘子自爆识别效果 | 第68-70页 |
| 5.4 绝缘子检测系统的实现 | 第70-73页 |
| 5.4.1 绝缘子检测系统的框架 | 第70-71页 |
| 5.4.2 绝缘子检测系统的应用 | 第71-73页 |
| 5.5 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 全文工作总结 | 第74页 |
| 6.2 工作展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士期间研究成果 | 第82-83页 |