基于图像和CNN模型的钢轨表面缺陷识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 钢轨表面缺陷检测的研究现状 | 第9-10页 |
| 1.2.2 图像处理技术及其研究现状 | 第10-12页 |
| 1.3 论文主要研究内容 | 第12-14页 |
| 2 图像滤波 | 第14-24页 |
| 2.1 概述 | 第14页 |
| 2.2 高斯-中值滤波 | 第14-19页 |
| 2.2.1 滤波介绍 | 第14-15页 |
| 2.2.2 高斯滤波 | 第15-16页 |
| 2.2.3 中值滤波 | 第16-17页 |
| 2.2.4 图像反转 | 第17-18页 |
| 2.2.5 高斯-中值滤波原理 | 第18-19页 |
| 2.3 仿真实验结果与分析 | 第19-23页 |
| 2.3.1 定性分析 | 第19-21页 |
| 2.3.2 定量对比 | 第21-23页 |
| 2.4 小结 | 第23-24页 |
| 3 钢轨表面图像提取 | 第24-33页 |
| 3.1 概述 | 第24页 |
| 3.2 基于Radon变换的钢轨表面提取 | 第24-29页 |
| 3.2.1 Radon变换原理 | 第24-27页 |
| 3.2.2 钢轨表面图像提取 | 第27-29页 |
| 3.3 仿真实验结果与分析 | 第29-32页 |
| 3.3.1 定性分析 | 第29-31页 |
| 3.3.2 定量分析 | 第31-32页 |
| 3.4 小结 | 第32-33页 |
| 4 基于CNN的钢轨表面缺陷识别分类 | 第33-51页 |
| 4.1 人工神经网络基础 | 第33-37页 |
| 4.1.1 神经元 | 第33页 |
| 4.1.2 误差准则 | 第33-34页 |
| 4.1.3 神经网络 | 第34-36页 |
| 4.1.4 多层神经网络 | 第36-37页 |
| 4.1.5 神经网络的学习方法 | 第37页 |
| 4.2 卷积神经网络 | 第37-44页 |
| 4.2.1 CNN的基础理论 | 第37-39页 |
| 4.2.2 CNN的结构 | 第39-44页 |
| 4.3 CNN用于钢轨表面缺陷识别分类 | 第44-50页 |
| 4.3.1 钢轨表面图像数据集 | 第44-45页 |
| 4.3.2 CNN网络训练参数调节 | 第45-46页 |
| 4.3.3 网络训练 | 第46-49页 |
| 4.3.4 仿真结果 | 第49-50页 |
| 4.4 小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读学位期间的研究成果 | 第57页 |
