| 摘要 | 第4-7页 |
| abstract | 第7-10页 |
| 1 引言 | 第15-29页 |
| 1.1 研究背景与意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-21页 |
| 1.2.1 铁路路基病害识别技术的研究现状 | 第17-18页 |
| 1.2.2 深度学习技术的研究现状 | 第18-20页 |
| 1.2.3 铁路路基病害风险评估技术研究现状 | 第20-21页 |
| 1.3 目前存在的问题 | 第21-22页 |
| 1.4 研究内容与创新点 | 第22-26页 |
| 1.4.1 研究内容 | 第22-25页 |
| 1.4.2 创新点 | 第25-26页 |
| 1.5 本文组织结构 | 第26-29页 |
| 2 铁路路基病害识别与风险评估技术基础 | 第29-47页 |
| 2.1 铁路路基病害分类及特征 | 第29-33页 |
| 2.1.1 铁路路基病害分类 | 第29-30页 |
| 2.1.2 面向地质雷达的铁路路基病害分类及特征 | 第30-33页 |
| 2.2 铁路路基检测数据采集方法 | 第33-36页 |
| 2.2.1 地质雷达原理 | 第33-34页 |
| 2.2.2 基于车载地质雷达的铁路路基检测 | 第34-36页 |
| 2.3 基于深度学习的目标检测方法 | 第36-42页 |
| 2.3.1 基于候选区域的目标检测方法 | 第36-40页 |
| 2.3.2 基于回归方法的目标检测方法 | 第40-42页 |
| 2.4 风险评估方法 | 第42-45页 |
| 2.4.1 定性风险评估方法 | 第42页 |
| 2.4.2 定量风险评估方法 | 第42-43页 |
| 2.4.3 定性定量风险评估方法 | 第43-44页 |
| 2.4.4 耦合风险评估方法 | 第44页 |
| 2.4.5 风险评估方法的应用 | 第44-45页 |
| 2.5 本章小结 | 第45-47页 |
| 3 基于SSD的铁路路基病害快速识别算法研究 | 第47-61页 |
| 3.1 SSD目标检测方法简介 | 第47-48页 |
| 3.1.1 SSD简介 | 第47-48页 |
| 3.1.2 SSD的缺点 | 第48页 |
| 3.2 改进的SSD病害识别算法 | 第48-52页 |
| 3.2.1 改进的SSD概述 | 第48页 |
| 3.2.2 Atrous卷积简介 | 第48-50页 |
| 3.2.3 基于ASPP的SSD改进策略 | 第50-51页 |
| 3.2.4 基于多尺度特征融合的SSD改进策略 | 第51-52页 |
| 3.2.5 基于迁移学习的SSD改进策略 | 第52页 |
| 3.3 基于改进SSD的铁路路基病害识别实验分析 | 第52-56页 |
| 3.3.1 实验数据准备 | 第52-53页 |
| 3.3.2 实验设置与模型训练 | 第53页 |
| 3.3.3 实验结果 | 第53-56页 |
| 3.4 改进SSD与其它方法对比实验 | 第56-59页 |
| 3.4.1 模型性能评估方法 | 第56-57页 |
| 3.4.2 对比实验设置与实验结果 | 第57-58页 |
| 3.4.3 不同病害类型检测对比实验 | 第58-59页 |
| 3.5 本章小结 | 第59-61页 |
| 4 基于FasterRCNN的铁路路基病害高精度识别算法研究 | 第61-73页 |
| 4.1 FasterRCNN目标检测方法简介 | 第61-62页 |
| 4.2 改进的FasterRCNN病害识别算法 | 第62-66页 |
| 4.2.1 改进方法概述 | 第62-63页 |
| 4.2.2 特征级联 | 第63-64页 |
| 4.2.3 在线困难样本挖掘 | 第64页 |
| 4.2.4 对抗空间丢弃网络 | 第64页 |
| 4.2.5 Soft-NMS | 第64-65页 |
| 4.2.6 数据增强 | 第65-66页 |
| 4.3 基于改进FasterRCNN的铁路路基病害识别实验分析 | 第66-68页 |
| 4.3.1 模型训练与关键参数设置 | 第66页 |
| 4.3.2 检测结果与定性分析 | 第66-68页 |
| 4.4 改进策略剥离实验 | 第68-69页 |
| 4.5 改进FasterRCNN与传统方法对比实验 | 第69-71页 |
| 4.5.1 实验设计 | 第69页 |
| 4.5.2 实验结果分析与讨论 | 第69-71页 |
| 4.6 本章小结 | 第71-73页 |
| 5 铁路路基病害风险评估模型研究 | 第73-109页 |
| 5.1 基于模糊理论的铁路路基病害风险评估模型研究 | 第73-78页 |
| 5.1.1 基于模糊综合评价的风险评估模型 | 第73-77页 |
| 5.1.2 实验与结果分析 | 第77-78页 |
| 5.2 基于概率神经网络的铁路路基病害风险评估模型研究 | 第78-85页 |
| 5.2.1 概率神经网络简介 | 第78-80页 |
| 5.2.2 基于概率神经网络的风险评估模型 | 第80-82页 |
| 5.2.3 实验与结果分析 | 第82-85页 |
| 5.3 基于集对分析和云理论的铁路路基病害风险评估模型研究 | 第85-98页 |
| 5.3.1 云模型理论 | 第85-86页 |
| 5.3.2 集对分析理论 | 第86-87页 |
| 5.3.3 动态跟踪风险评估方法 | 第87-88页 |
| 5.3.4 基于云理论和集对理论的铁路路基病害风险评估模型 | 第88-93页 |
| 5.3.5 改进的云-Critic耦合权重研究 | 第93-95页 |
| 5.3.6 指标云与综合云建立 | 第95-97页 |
| 5.3.7 基于集对理论的云模型相似度判定方法 | 第97-98页 |
| 5.4 京九线路基检测病害风险评估实验 | 第98-107页 |
| 5.4.1 路基病害识别结果 | 第98-104页 |
| 5.4.2 云模型评估结果 | 第104-107页 |
| 5.4.3 评估模型对比实验 | 第107页 |
| 5.5 本章小结 | 第107-109页 |
| 6 结论与展望 | 第109-113页 |
| 6.1 结论 | 第109-111页 |
| 6.2 展望 | 第111-113页 |
| 参考文献 | 第113-123页 |
| 致谢 | 第123-125页 |
| 作者简介 | 第125页 |
