| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景 | 第11-13页 |
| 1.1.1 计算机视觉发展历程 | 第11页 |
| 1.1.2 视觉测量技术发展及其应用 | 第11-12页 |
| 1.1.3 视觉测量技术在尖轨伸缩位移监测中应用 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 视觉测量技术发展现状 | 第13-14页 |
| 1.2.2 视觉测量技术在工程应用中研究现状 | 第14-16页 |
| 1.3 研究难点及意义 | 第16-18页 |
| 1.4 论文章节安排 | 第18-19页 |
| 2 基于层次积分梯度的尖轨伸缩位移图像自动判读算法 | 第19-32页 |
| 2.1 图像预处理 | 第20-21页 |
| 2.2 图像层次化 | 第21-26页 |
| 2.2.1 基于特征匹配的判读目标粗定位方法 | 第21-22页 |
| 2.2.2 基于二值化的判读目标细定位方法 | 第22-23页 |
| 2.2.3 基于积分梯度的判读目标精确区域提取方法 | 第23-26页 |
| 2.3 图像判读 | 第26-27页 |
| 2.3.1 基于积分梯度的单位刻度像素长度提取方法 | 第26-27页 |
| 2.3.2 尖轨伸缩位移的计算方法 | 第27页 |
| 2.4 图像自动判读可信度检验方法 | 第27-29页 |
| 2.4.1 图像层次化的可信度检验方法 | 第28页 |
| 2.4.2 判读结果的可信度检验方法 | 第28-29页 |
| 2.5 实验及分析 | 第29-31页 |
| 2.5.1 实验设置 | 第29页 |
| 2.5.2 实验结果及分析 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 3 基于空间支撑的深度卷积神经网络刻度尺定位方法 | 第32-53页 |
| 3.1 相关工作 | 第32-37页 |
| 3.1.1 传统的目标定位方法 | 第32-34页 |
| 3.1.2 深度学习概述 | 第34-35页 |
| 3.1.3 卷积神经网络及其在目标定位上的应用 | 第35-37页 |
| 3.2 空间支撑 | 第37-38页 |
| 3.3 基于空间支撑的深度卷积神经网络目标定位方法 | 第38-46页 |
| 3.3.1 网络模型及其结构 | 第39-44页 |
| 3.3.2 基于积分梯度的似物性区域推荐方法 | 第44-45页 |
| 3.3.3 基于空间支撑的目标定位方法 | 第45-46页 |
| 3.4 实验及分析 | 第46-51页 |
| 3.4.1 数据集 | 第46-47页 |
| 3.4.2 实验环境 | 第47-48页 |
| 3.4.3 实验设置 | 第48页 |
| 3.4.4 实验结果及分析 | 第48-51页 |
| 3.5 本章小结 | 第51-53页 |
| 4 降质图像的鲁棒判读方法 | 第53-62页 |
| 4.1 倾斜图像的刻度尺校正方法 | 第54-55页 |
| 4.2 基于数字匹配的刻度尺判读方法 | 第55-57页 |
| 4.3 低质模糊图像的刻度尺判读方法 | 第57-58页 |
| 4.4 鲁棒的尖轨伸缩位移图像自动判读方法 | 第58-60页 |
| 4.5 实验及分析 | 第60-61页 |
| 4.5.1 实验设置 | 第60页 |
| 4.5.2 实验结果及分析 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 5 结论 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 工作展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第67-69页 |
| 学位论文数据集 | 第69页 |
