| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文的主要研究工作 | 第13-15页 |
| 1.4 论文结构 | 第15-17页 |
| 2 前期工作 | 第17-25页 |
| 2.1 铁轨图像中的轨道定位 | 第17-21页 |
| 2.1.1 基于投影分析的轨道检测方法 | 第18-19页 |
| 2.1.2 基于长直线检测算法的轨道检测 | 第19-20页 |
| 2.1.3 基于上下文信息的有监督铁轨位置检测方法 | 第20-21页 |
| 2.2 铁轨图像中的扣件定位 | 第21-23页 |
| 2.2.1 扣件的特征描述 | 第21-22页 |
| 2.2.2 基于汉明距离的扣件定位与检测 | 第22-23页 |
| 2.3 不足与解决方案 | 第23-24页 |
| 2.4 小结 | 第24-25页 |
| 3 基于轨道几何特征的道岔场景识别方法 | 第25-41页 |
| 3.1 道岔场景特征及识别方法 | 第25-28页 |
| 3.2 基于LSD直线检测的道岔场景识别方法 | 第28-31页 |
| 3.2.1 基于LSD直线检测的特征提取 | 第28-29页 |
| 3.2.2 基于LSD轨道几何特征的场景识别 | 第29-31页 |
| 3.3 基于HOUGH直线检测的道岔场景识别方法 | 第31-35页 |
| 3.3.1 基于Hough变换的特征提取 | 第32-34页 |
| 3.3.2 基于Hough轨道特征的场景识别方法 | 第34-35页 |
| 3.4 实验结果及分析 | 第35-40页 |
| 3.4.1 实验数据 | 第35-36页 |
| 3.4.2 实验分析 | 第36-40页 |
| 3.5 小结 | 第40-41页 |
| 4 基于图像纹理的有砟场景识别方法 | 第41-48页 |
| 4.1 有砟场景识别方法 | 第41-44页 |
| 4.2 实验结果及分析 | 第44-46页 |
| 4.2.1 实验数据 | 第44-45页 |
| 4.2.2 实验分析 | 第45-46页 |
| 4.3 小结 | 第46-48页 |
| 5 基于深度学习的扣件定位方法研究 | 第48-66页 |
| 5.1 基于深度学习的目标检测 | 第48-57页 |
| 5.1.1 深度学习理论 | 第48-50页 |
| 5.1.2 卷积神经网络 | 第50-51页 |
| 5.1.3 深度学习与目标检测 | 第51-57页 |
| 5.2 基于深度学习的扣件定位方法 | 第57-61页 |
| 5.2.1 整体框架 | 第57-58页 |
| 5.2.2 YOLO v2网络原理 | 第58-59页 |
| 5.2.3 实验准备和模型的训练 | 第59-61页 |
| 5.3 实验结果及分析 | 第61-65页 |
| 5.3.1 实验数据 | 第61-62页 |
| 5.3.2 实验结果 | 第62-63页 |
| 5.3.3 实验分析 | 第63-65页 |
| 5.4 小结 | 第65-66页 |
| 6 结论与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |