| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文研究的主要内容 | 第13-14页 |
| 1.4 论文结构安排 | 第14-15页 |
| 第2章 理论基础与相关技术背景 | 第15-27页 |
| 2.1 图像识别 | 第15-16页 |
| 2.2 人工神经网络 | 第16-19页 |
| 2.2.1 神经元 | 第16-17页 |
| 2.2.2 BP神经元 | 第17-19页 |
| 2.3 卷积神经网络 | 第19-20页 |
| 2.3.1 卷积原理 | 第19页 |
| 2.3.2 局部感知与参数共享 | 第19-20页 |
| 2.4 基于候选区域的目标检测方法 | 第20-25页 |
| 2.4.1 R-CNN模型 | 第20-22页 |
| 2.4.2 Fast R-CNN模型 | 第22-23页 |
| 2.4.3 Faster R-CNN模型 | 第23-25页 |
| 2.5 深度学习框架Caffe | 第25页 |
| 2.6 本章小结 | 第25-27页 |
| 第3章 基于改进Faster R-CNN的变电站开关状态识别算法 | 第27-45页 |
| 3.1 改进Faster R-CNN的变电站开关状态识别算法 | 第27-37页 |
| 3.1.1 Faster R-CNN算法的改进策略 | 第27-29页 |
| 3.1.2 数据扩增 | 第29-31页 |
| 3.1.3 特征融合 | 第31-33页 |
| 3.1.4 候选框聚类 | 第33-35页 |
| 3.1.5 Soft-NMS后处理方法 | 第35-37页 |
| 3.2 FasterR-CNN算法改进策略的剥离实验 | 第37-41页 |
| 3.2.1 模型训练与关键参数设置 | 第37-38页 |
| 3.2.2 算法评价指标 | 第38-40页 |
| 3.2.3 实验设计与结果分析 | 第40-41页 |
| 3.3 改进 Faster R-CNN算法与现有方法对比实验 | 第41-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第4章 变电站开关状态识别系统设计与实现 | 第45-61页 |
| 4.1 系统整体概述 | 第45-47页 |
| 4.2 系统需求分析 | 第47-49页 |
| 4.3 系统架构 | 第49-51页 |
| 4.3.1 系统总体架构设计 | 第49页 |
| 4.3.2 系统功能架构 | 第49-51页 |
| 4.4 系统详细设计与实现 | 第51-59页 |
| 4.4.1 用户管理模块 | 第51-53页 |
| 4.4.2 图片上传模块 | 第53-55页 |
| 4.4.3 图片识别模块 | 第55-57页 |
| 4.4.4 识别信息管理模块 | 第57-58页 |
| 4.4.5 数据集管理模块 | 第58-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第5章 变电站开关状态识别系统测试 | 第61-69页 |
| 5.1 测试环境 | 第61-62页 |
| 5.2 测试工具 | 第62-63页 |
| 5.3 功能测试 | 第63-66页 |
| 5.4 性能测试 | 第66-67页 |
| 5.5 本章小结 | 第67-69页 |
| 总结语 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第77页 |
