| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文研究内容与内容安排 | 第13-15页 |
| 2 基于机器视觉的便携式轨检系统组成 | 第15-24页 |
| 2.1 系统的硬件组成 | 第15-21页 |
| 2.1.1 光源及照明 | 第16-18页 |
| 2.1.2 图像采集 | 第18-20页 |
| 2.1.3 图像处理及分析平台 | 第20-21页 |
| 2.2 系统的软件组成 | 第21-23页 |
| 2.2.1 软件系统结构 | 第21页 |
| 2.2.2 软件系统功能 | 第21-22页 |
| 2.2.3 软件平台介绍 | 第22-23页 |
| 2.3 小结 | 第23-24页 |
| 3 轨检图像预处理 | 第24-38页 |
| 3.1 轨检图像滤波 | 第24-26页 |
| 3.2 轨检图像中轨面区域提取 | 第26-34页 |
| 3.2.1 轨面区域粗提取 | 第26-28页 |
| 3.2.2 轨面区域精提取 | 第28-34页 |
| 3.3 轨面提取实验分析 | 第34-37页 |
| 3.4 小结 | 第37-38页 |
| 4 钢轨表面缺陷分割 | 第38-44页 |
| 4.1 图像的模糊超熵 | 第38-40页 |
| 4.2 基于模糊超熵与遗传算法的轨面缺陷分割 | 第40-42页 |
| 4.3 轨面缺陷分割实验分析 | 第42-43页 |
| 4.4 小结 | 第43-44页 |
| 5 钢轨表面缺陷识别与分类 | 第44-53页 |
| 5.1 缺陷区域特征提取 | 第44-47页 |
| 5.1.1 缺陷区域低层特征提取 | 第44-46页 |
| 5.1.2 缺陷区域Haar-Like特征提取 | 第46-47页 |
| 5.2 缺陷识别分类器设计 | 第47-51页 |
| 5.2.1 基于AdaBoost算法的缺陷识别器设计 | 第48-49页 |
| 5.2.2 基于C4.5 算法的缺陷分类器设计 | 第49-51页 |
| 5.3 轨面缺陷识别器与分类器实验分析 | 第51-52页 |
| 5.3.1 轨面缺陷识别器实验分析 | 第51-52页 |
| 5.3.2 轨面缺陷分类器实验分析 | 第52页 |
| 5.4 小结 | 第52-53页 |
| 6 系统实验及测试 | 第53-60页 |
| 6.1 系统实现 | 第53-55页 |
| 6.1.1 便携式轨检图像采集装置 | 第53页 |
| 6.1.2 轨检图像采集与检测软件 | 第53-55页 |
| 6.2 系统测试 | 第55-59页 |
| 6.2.1 轨检图像预处理实验 | 第56页 |
| 6.2.2 轨面缺陷分割实验 | 第56-57页 |
| 6.2.3 轨面缺陷识别实验 | 第57-59页 |
| 6.3 小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读学位期间的研究成果 | 第66页 |