基于卷积神经网络的铁路图像智能识别算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-20页 |
| 1.1 选题背景及研究意义 | 第12-14页 |
| 1.2 国内外研究历史与现状 | 第14-18页 |
| 1.2.1 数字图像处理技术研究历史与现状 | 第14-16页 |
| 1.2.2 卷积神经网络研究历史与现状 | 第16-18页 |
| 1.3 本文主要内容 | 第18页 |
| 1.4 论文结构安排 | 第18-20页 |
| 2 移动物体检测算法与神经网络 | 第20-44页 |
| 2.1 移动物体检测算法 | 第20-24页 |
| 2.1.1 帧间差分法 | 第20-21页 |
| 2.1.2 背景差分法 | 第21-23页 |
| 2.1.3 基于Vibe算法的背景差分法 | 第23-24页 |
| 2.1.4 光流法 | 第24页 |
| 2.2 感知器 | 第24-26页 |
| 2.3 卷积神经网络结构 | 第26-35页 |
| 2.3.1 卷积层 | 第27-31页 |
| 2.3.2 池化层 | 第31-32页 |
| 2.3.3 激活层 | 第32-34页 |
| 2.3.4 全连接层 | 第34-35页 |
| 2.4 卷积神经网络的训练 | 第35-42页 |
| 2.4.1 代价函数 | 第35-37页 |
| 2.4.2 反向传播算法 | 第37-38页 |
| 2.4.3 梯度下降法 | 第38-39页 |
| 2.4.4 边界回归算法 | 第39-40页 |
| 2.4.5 防止过拟合方法 | 第40-42页 |
| 2.5 本章小结 | 第42-44页 |
| 3 基于卷积神经网络的异物入侵智能识别 | 第44-74页 |
| 3.1 问题描述 | 第44-45页 |
| 3.2 解决方案 | 第45-47页 |
| 3.3 背景区域划分 | 第47-49页 |
| 3.4 移动物体检测算法实验过程及结果分析 | 第49-53页 |
| 3.4.1 实验过程 | 第49-50页 |
| 3.4.2 实验结果及分析 | 第50-53页 |
| 3.5 移动物体识别算法实验过程及结果分析 | 第53-65页 |
| 3.5.1 卷积模型结构 | 第53-54页 |
| 3.5.2 样本选取 | 第54-57页 |
| 3.5.3 参数设置及网络训练 | 第57-62页 |
| 3.5.4 实验结果及分析 | 第62-64页 |
| 3.5.5 防止过拟合方法对测试结果的影响 | 第64-65页 |
| 3.6 异物入侵智能识别算法测试及结果分析 | 第65-71页 |
| 3.7 本章小结 | 第71-74页 |
| 4 基于卷积神经网络的接触网零部件缺陷智能识别 | 第74-88页 |
| 4.1 问题描述 | 第74-76页 |
| 4.2 解决方案 | 第76页 |
| 4.3 样本选取及处理 | 第76-81页 |
| 4.3.1 样本选取 | 第77-78页 |
| 4.3.2 不平衡样本处理 | 第78-79页 |
| 4.3.3 样本标注 | 第79-81页 |
| 4.4 网络训练 | 第81-82页 |
| 4.5 实验结果及分析 | 第82-85页 |
| 4.6 本章小结 | 第85-88页 |
| 5 结论和展望 | 第88-90页 |
| 5.1 总结 | 第88-89页 |
| 5.2 展望 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 附录A | 第94-96页 |
| 附录B | 第96-98页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第98-102页 |
| 学位论文数据集 | 第102页 |
