| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 章节安排 | 第13-15页 |
| 2 基于卷积神经网络的目标检测的研究 | 第15-35页 |
| 2.1 目标检测概述 | 第15-16页 |
| 2.2 卷积神经网络 | 第16-23页 |
| 2.2.1 卷积神经网络的结构 | 第17-21页 |
| 2.2.2 局部感受区域与权值共享 | 第21-23页 |
| 2.3 RCNN网络结构模型 | 第23-27页 |
| 2.4 FastRCNN网络结构模型 | 第27-30页 |
| 2.5 FasterRCNN网络结构模型 | 第30-33页 |
| 2.5.1 区域生成网络(RPN) | 第30-31页 |
| 2.5.2 FasterRCNN网络结构模型 | 第31-33页 |
| 2.6 本章小结 | 第33-35页 |
| 3 基于卷积神经网络的铁轨表面缺陷检测研究 | 第35-44页 |
| 3.1 铁轨表面缺陷检测模型 | 第35-38页 |
| 3.2 铁轨表面缺陷样本数据集 | 第38-39页 |
| 3.3 特征提取网络模型 | 第39-41页 |
| 3.4 铁轨表面缺陷检测算法流程图 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 铁轨表面缺陷检测模型的优化与改进 | 第44-52页 |
| 4.1 引言 | 第44页 |
| 4.2 FasterRCNN网络模型优化与改进 | 第44-51页 |
| 4.2.1 数据标注 | 第44-45页 |
| 4.2.2 迁移学习(transferlearning)初始化模型 | 第45页 |
| 4.2.3 特征提取网络模型改进 | 第45-46页 |
| 4.2.4 锚窗(anchorboxes)改进 | 第46-48页 |
| 4.2.5 输出结果的调整 | 第48-49页 |
| 4.2.6 交叉验证 | 第49页 |
| 4.2.7 实验参数设置 | 第49-51页 |
| 4.2.8 训练方法 | 第51页 |
| 4.3 本章小结 | 第51-52页 |
| 5 实验结果与分析 | 第52-61页 |
| 5.1 实验软硬件环境准备 | 第52页 |
| 5.2 RPN与SS算法实验结果比较分析 | 第52-53页 |
| 5.3 不同锚窗实验结果分析 | 第53-57页 |
| 5.4 铁轨表面缺陷检测结果对比分析 | 第57-60页 |
| 5.5 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的学术论文及研究成果 | 第68页 |