| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 电气设备红外图像热故障诊断研究现状 | 第8-9页 |
| 1.2.2 深度学习在电力系统中应用研究现状 | 第9-10页 |
| 1.3 课题研究的主要内容与其创新点 | 第10-12页 |
| 第二章 深度学习理论 | 第12-24页 |
| 2.1 卷积神经网络 | 第12-19页 |
| 2.1.1 卷积层 | 第13-16页 |
| 2.1.2 池化层 | 第16-17页 |
| 2.1.3 Dropout层 | 第17-19页 |
| 2.2 卷积神经网络关于梯度的学习策略 | 第19-21页 |
| 2.3 softmax损失函数 | 第21-23页 |
| 2.3.1 交叉熵损失函数 | 第21-22页 |
| 2.3.2 基于多分类的softmax单元 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 电气设备红外图像预处理 | 第24-33页 |
| 3.1 显著性区域检测 | 第24-26页 |
| 3.1.1 RGB颜色空间 | 第24-25页 |
| 3.1.2 HSV颜色空间 | 第25-26页 |
| 3.2 电气设备图像分割 | 第26-29页 |
| 3.2.1 基于阈值的分割方法 | 第26-27页 |
| 3.2.2 基于数学形态学的分割方法 | 第27-28页 |
| 3.2.3 Slic超像素分割算法 | 第28-29页 |
| 3.3 基于Slic-HSV算法的故障设备区域分割 | 第29-31页 |
| 3.4 实验分析 | 第31-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 双监督信号卷积神经网络电气设备红外故障图像识别 | 第33-53页 |
| 4.1 卷积神经网络结构分析 | 第33-37页 |
| 4.1.1 AlexNet结构 | 第33-34页 |
| 4.1.2 Vgg-16Net结构 | 第34-35页 |
| 4.1.3 GoogLeNet结构 | 第35-37页 |
| 4.2 双监督信号卷积神经网络算法结构 | 第37-39页 |
| 4.3 Caffe深度学习框架的环境配置及其模型搭建 | 第39-43页 |
| 4.3.1 基于Caffe深度学习框架的windows环境准备 | 第39-41页 |
| 4.3.2 基于Caffe深度学习框架的双监督信号卷积神经网络搭建 | 第41-43页 |
| 4.4 实验数据集 | 第43-44页 |
| 4.5 实验结果分析 | 第44-51页 |
| 4.5.1 基于卷积神经网络的特征提取 | 第44-50页 |
| 4.5.2 识别结果及其分析 | 第50-51页 |
| 4.6 本章小结 | 第51-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 本文工作总结 | 第53页 |
| 5.2 后续工作展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 发表论文和科研情况说明 | 第59-60页 |
| 致谢 | 第60页 |
