| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 基于计算机视觉的缺陷检测 | 第11-17页 |
| 1.2.1 图像的获取 | 第11-12页 |
| 1.2.2 缺陷检测的一般步骤 | 第12-13页 |
| 1.2.3 缺陷检测的相关处理方法 | 第13-17页 |
| 1.3 本文主要研究方向和创新点 | 第17-18页 |
| 1.4 本文结构安排 | 第18-19页 |
| 2 相关研究工作综述 | 第19-30页 |
| 2.1 钢轨缺陷种类及其特征 | 第19-22页 |
| 2.1.1 块状擦伤 | 第19-20页 |
| 2.1.2 光带缺陷 | 第20页 |
| 2.1.3 鱼鳞伤 | 第20-21页 |
| 2.1.4 钢轨波浪型磨损 | 第21-22页 |
| 2.2 传统钢轨缺陷检测方法简介 | 第22-23页 |
| 2.3 国内外研究现状 | 第23-30页 |
| 2.3.1 缺陷检测稀疏表示模型及应用 | 第23-24页 |
| 2.3.2 基于垂直投影的钢轨缺陷检测算法 | 第24-26页 |
| 2.3.3 基于谱残差的显著性检测算法 | 第26-28页 |
| 2.3.4 基于显著性检测的缺陷检测算法 | 第28-30页 |
| 3 基于显著性和背景差模型的缺陷检测算法 | 第30-44页 |
| 3.1 引言 | 第30页 |
| 3.2 钢轨检测算法综述 | 第30-31页 |
| 3.3 基于显著性检测和背景差模型的钢轨缺陷检测算法 | 第31-37页 |
| 3.3.1 图像的预处理 | 第32-33页 |
| 3.3.2 构建基于频域的显著性图 | 第33页 |
| 3.3.3 构建基于背景差模型的显著性图 | 第33-35页 |
| 3.3.4 显著性区域和背景差模型相融合 | 第35-36页 |
| 3.3.5 双阈值分割 | 第36-37页 |
| 3.4 实验结果与分析 | 第37-43页 |
| 3.4.1 实验设置 | 第37-38页 |
| 3.4.2 基于图像分割的评价指标和基于连通区域的评价指标 | 第38-39页 |
| 3.4.3 实验分析与比较 | 第39-43页 |
| 3.5 小结 | 第43-44页 |
| 4 基于钢轨光带特征和机器学习的光带缺陷检测算法 | 第44-61页 |
| 4.1 引言 | 第44-46页 |
| 4.2 光带缺陷检测算法综述 | 第46-47页 |
| 4.3 基于钢轨光带特征和机器学习的光带缺陷算法 | 第47-55页 |
| 4.3.1 图像的预处理 | 第49-50页 |
| 4.3.2 确定钢轨光带的整体区域 | 第50-53页 |
| 4.3.3 确定钢轨光带的精确位置 | 第53-54页 |
| 4.3.4 光带缺陷分类 | 第54-55页 |
| 4.4 实验结果与分析 | 第55-59页 |
| 4.4.1 实验设置 | 第55-56页 |
| 4.4.2 评价指标 | 第56页 |
| 4.4.3 实验分析与比较 | 第56-59页 |
| 4.5 小结 | 第59-61页 |
| 5 总结与展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |