基于卷积神经网络与稀疏编码的接触网关键部件及异物检测的研究
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 图像处理技术在接触网检测中的应用 | 第12页 |
| 1.2.2 卷积神经网络在目标检测的应用 | 第12-13页 |
| 1.2.3 异物检测现状 | 第13-14页 |
| 1.3 接触网悬挂检测车装置及本文图像数据介绍 | 第14-15页 |
| 1.4 研究内容及结构安排 | 第15-18页 |
| 第2章 基于卷积神经网络的接触网关键区域初定位 | 第18-36页 |
| 2.1 卷积神经网络概述 | 第18-22页 |
| 2.1.1 卷积神经网络结构 | 第18-20页 |
| 2.1.2 训练过程 | 第20-22页 |
| 2.2 特征提取网络概述与对比 | 第22-28页 |
| 2.2.1 VGGNet | 第23-24页 |
| 2.2.2 ResNet | 第24-26页 |
| 2.2.3 MobileNet | 第26-28页 |
| 2.3 目标检测算法概述与对比 | 第28-31页 |
| 2.3.1 FasterR-CNN | 第28-29页 |
| 2.3.2 YOLO | 第29-30页 |
| 2.3.3 SSD | 第30页 |
| 2.3.4 三种目标检测算法对比 | 第30-31页 |
| 2.4 接触网图像多区域快速初定位算法 | 第31-35页 |
| 2.4.1 样本介绍以及图像预处理 | 第31-32页 |
| 2.4.2 实验结果分析 | 第32-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 基于目标分割的关键部件精定位及归一化 | 第36-44页 |
| 3.1 基于卷积神经网络的目标分割算法 | 第36-39页 |
| 3.1.1 特征金字塔网络 | 第36-38页 |
| 3.1.2 MaskR-CNN目标分割算法 | 第38-39页 |
| 3.2 螺母精定位及归一化 | 第39-43页 |
| 3.2.1 样本介绍 | 第39-40页 |
| 3.2.2 螺母归一化算法 | 第40页 |
| 3.2.3 实验结果分析 | 第40-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第4章 图像去模糊及螺母开口销缺失检测 | 第44-53页 |
| 4.1 基于超分辨率的图像去模糊算法 | 第44-49页 |
| 4.1.1 利用拉普拉斯算子判断图片是否模糊 | 第45页 |
| 4.1.2 基于卷积神经网络的超分辨率算法 | 第45-47页 |
| 4.1.3 实验结果分析 | 第47-49页 |
| 4.2 基于目标分割的螺母开口销缺失识别算法 | 第49-52页 |
| 4.2.1 样本介绍 | 第49-50页 |
| 4.2.2 实验结果分析 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 基于稀疏编码的接触网异物检测 | 第53-65页 |
| 5.1 稀疏编码算法概述 | 第53-57页 |
| 5.1.1 字典学习 | 第54-56页 |
| 5.1.2 稀疏拟合 | 第56页 |
| 5.1.3 缺陷检测 | 第56-57页 |
| 5.2 基于稀疏编码的接触网异物检测算法 | 第57-64页 |
| 5.2.1 样本介绍及其预处理 | 第57页 |
| 5.2.2 窗口融合算法 | 第57-58页 |
| 5.2.3 实验结果分析 | 第58-64页 |
| 5.3 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-73页 |
