高铁接触网支持装置紧固件不良状态检测方法研究
摘要 | 第6-7页 |
abstract | 第7页 |
第1章 绪论 | 第10-17页 |
1.1 背景与意义 | 第10-12页 |
1.2 研究现状分析 | 第12-15页 |
1.2.1 高铁接触网4C检测系统简介 | 第12-13页 |
1.2.2 图像处理技术在弓网系统中的应用 | 第13-14页 |
1.2.3 紧固件故障诊断相关工作 | 第14-15页 |
1.3 本文的研究内容和工作安排 | 第15-17页 |
1.3.1 研究目标与内容 | 第15-16页 |
1.3.2 工作安排 | 第16-17页 |
第2章 物体分类与检测 | 第17-24页 |
2.1 物体分类与检测概述 | 第17-18页 |
2.2 物体分类与检测的发展历程 | 第18-20页 |
2.2.1 物体分类 | 第18-19页 |
2.2.2 物体检测 | 第19-20页 |
2.3 深度卷积神经网络 | 第20-23页 |
2.3.1 深度卷积神经网络结构 | 第20-21页 |
2.3.2 深度卷积神经网络训练 | 第21-22页 |
2.3.3 Softmax函数 | 第22-23页 |
2.3.4 位置回归 | 第23页 |
2.4 本章小结 | 第23-24页 |
第3章 接触网支持装置腕臂连接件定位识别方法 | 第24-39页 |
3.1 基于候选区域的目标检测方法 | 第24-27页 |
3.1.1 FasterR-CNN系列方法介绍 | 第24-25页 |
3.1.2 改进的FasterR-CNN结构 | 第25-27页 |
3.2 基于回归的目标检测方法 | 第27-34页 |
3.2.1 SSD框架 | 第27-31页 |
3.2.2 改进的SSD框架 | 第31页 |
3.2.3 YOLO框架 | 第31-34页 |
3.3 实验与对比 | 第34-38页 |
3.3.1 样本库的搭建 | 第34-35页 |
3.3.2 训练过程 | 第35页 |
3.3.3 实验结果 | 第35-38页 |
3.4 本章小结 | 第38-39页 |
第4章 接触网支持装置紧固件故障诊断 | 第39-51页 |
4.1 级联深度神经网络结构 | 第39-40页 |
4.2 紧固件定位与识别 | 第40-42页 |
4.2.1 改进的YOLO框架流程 | 第40-41页 |
4.2.2 缺失故障报告 | 第41-42页 |
4.3 紧固件故障诊断方法 | 第42-43页 |
4.3.1 多标签分类模型 | 第43页 |
4.3.2 分类模型训练过程 | 第43页 |
4.4 实验结果与评价 | 第43-50页 |
4.4.1 轻量级网络运行效率的评价 | 第44-47页 |
4.4.2 DCNN结构与手工取特征算法的对比 | 第47-48页 |
4.4.3 级联结构的评价 | 第48-50页 |
4.5 本章小结 | 第50-51页 |
结论 | 第51-52页 |
致谢 | 第52-53页 |
参考文献 | 第53-58页 |
攻读硕士学位期间发表的论文 | 第58-59页 |