| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 图像研究方法研究概论 | 第11-12页 |
| 1.4 本文研究总论及内容章节安排 | 第12-14页 |
| 第二章 系统总体框架设计 | 第14-22页 |
| 2.1 铁路扣件 | 第14-15页 |
| 2.2 系统流程图 | 第15-17页 |
| 2.3 扣件定位 | 第17-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于改进的HOG特征和SVM分类器的铁路扣件的自动检测 | 第22-34页 |
| 3.1 HOG特征 | 第22-26页 |
| 3.1.1 HOG概述 | 第22-23页 |
| 3.1.2 HOG特征提取流程 | 第23-26页 |
| 3.2 SVM分类器 | 第26-28页 |
| 3.3 图像HOG特征提取及图像缩放实验 | 第28-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 基于Caffe平台深度学习的铁路扣件的异常检测 | 第34-56页 |
| 4.1 深度学习的发展概况 | 第34-36页 |
| 4.2 基于深度学习的Caffe平台的概览 | 第36-38页 |
| 4.3 Caffe网络各层详解 | 第38-47页 |
| 4.3.1 数据层 | 第38-39页 |
| 4.3.2 卷积层 | 第39-45页 |
| 4.3.3 池化层 | 第45-47页 |
| 4.3.4 其他相关层 | 第47页 |
| 4.4 Caffe中solver配置与流程 | 第47-49页 |
| 4.5 铁路轨道扣件在Caffe平台上的实验 | 第49-54页 |
| 4.5.1 实验样本 | 第49-50页 |
| 4.5.2 实验步骤 | 第50-53页 |
| 4.5.3 实验结果分析 | 第53-54页 |
| 4.6 Caffe与HOG特征提取+SVM分类方法的对比 | 第54-55页 |
| 4.7 本章小结 | 第55-56页 |
| 第五章 铁路扣件检测的系统设计 | 第56-60页 |
| 5.1 铁路检测系统概览 | 第56-57页 |
| 5.2 铁路扣件自动检测系统的设计 | 第57页 |
| 5.3 图像检测结果展示 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录1 攻读硕士学位期间参加的科研项目 | 第64-65页 |
| 附录2 攻读硕士学位期间发表的论文 | 第65-66页 |
| 致谢 | 第66页 |
