| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 引言 | 第12-13页 |
| 1.2 图像识别方法研究现状 | 第13-14页 |
| 1.3 螺栓故障检测方法国内外研究现状 | 第14-17页 |
| 1.3.1 铁路列车运行故障图像检测系统 | 第14-16页 |
| 1.3.2 螺栓故障图像检测技术研究 | 第16-17页 |
| 1.4 课题主要工作内容和结构 | 第17-18页 |
| 1.4.1 研究内容 | 第17页 |
| 1.4.2 结构安排 | 第17-18页 |
| 第2章 机车车底图像及螺栓区域图像定位 | 第18-28页 |
| 2.1 HXD 2C型机车概述 | 第18-19页 |
| 2.2 机车车底图像概述 | 第19-20页 |
| 2.2.1 车底图像采集 | 第19页 |
| 2.2.2 车底图像信息 | 第19-20页 |
| 2.3 螺栓区域分割方法研究 | 第20-22页 |
| 2.3.1 图像灰度投影分析 | 第20-21页 |
| 2.3.2 车钩边界定位 | 第21-22页 |
| 2.3.3 螺栓区域分割 | 第22页 |
| 2.4 图像预处理 | 第22-26页 |
| 2.4.1 Gamma校正 | 第22-25页 |
| 2.4.2 图像增强 | 第25-26页 |
| 2.5 螺栓样本制作 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第3章 基于HOG-SVM的螺栓检测算法 | 第28-45页 |
| 3.1 HOG特征提取 | 第28-32页 |
| 3.1.1 HOG特征计算 | 第29-30页 |
| 3.1.2 HOG积分图 | 第30-32页 |
| 3.2 机器学习理论 | 第32-35页 |
| 3.2.1 机器学习理论概述 | 第32-33页 |
| 3.2.2 统计学习理论 | 第33-35页 |
| 3.3 支持向量机理论 | 第35-39页 |
| 3.3.1 SVM原理 | 第35-36页 |
| 3.3.2 线性SVM | 第36-39页 |
| 3.3.3 广义最优分类面 | 第39页 |
| 3.4 螺栓检测的实现 | 第39-44页 |
| 3.4.1 螺栓HOG特征提取 | 第40-41页 |
| 3.4.2 SVM分类器训练 | 第41-42页 |
| 3.4.3 螺栓图像检测 | 第42页 |
| 3.4.4 两种螺栓检测效果对比 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于Harr特征的Adaboost分类器检测算法 | 第45-53页 |
| 4.1 Haar特征 | 第45-47页 |
| 4.1.1 Haar特征介绍 | 第45-46页 |
| 4.1.2 Haar特征计算 | 第46-47页 |
| 4.2 分类器训练算法 | 第47-49页 |
| 4.2.1 Adaboost训练算法简介 | 第47页 |
| 4.2.2 Adaboost算法具体描述 | 第47-48页 |
| 4.2.3 具体训练流程 | 第48-49页 |
| 4.3 螺栓检测的实现 | 第49-52页 |
| 4.3.1 Adaboost分类器训练过程 | 第49-51页 |
| 4.3.2 Adaboost分类器检测过程 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 螺栓故障检测系统和结果分析 | 第53-62页 |
| 5.1 典型螺栓故障识别系统设计 | 第53-54页 |
| 5.2 螺栓检测算法性能分析 | 第54-57页 |
| 5.2.1 训练样本对Adaboost检测性能的影响 | 第54-55页 |
| 5.2.2 图像预处理对HOG-SVM检测效果的影响 | 第55-56页 |
| 5.2.3 不同检测算法的性能对比 | 第56-57页 |
| 5.3 螺栓丢失故障检测实验结果分析 | 第57-61页 |
| 5.3.1 螺栓丢失故障识别系统实现 | 第57-60页 |
| 5.3.2 实验结果分析 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 1. 论文工作总结 | 第62-63页 |
| 2. 未来工作展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第69页 |
