| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 高铁接触网悬挂状态检测的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 论文的主要研究内容、目标与章节安排 | 第13-15页 |
| 第2章 图像处理和深度学习相关理论与模型 | 第15-30页 |
| 2.1 仿射变换 | 第15-16页 |
| 2.2 HALCON的模板匹配算法 | 第16页 |
| 2.3 深度学习的基本思想与模型 | 第16-17页 |
| 2.4 卷积神经网络 | 第17-24页 |
| 2.4.1 卷积神经网络的结构 | 第17-21页 |
| 2.4.2 典型卷积神经网络 | 第21-24页 |
| 2.5 基于深度学习的目标检测算法 | 第24-29页 |
| 2.5.1 R-CNN | 第25-26页 |
| 2.5.2 FastR-CNN | 第26-27页 |
| 2.5.3 FasterR-CNN | 第27-28页 |
| 2.5.4 SSD | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 高铁接触网悬挂状态智能图像识别的需求与分析 | 第30-45页 |
| 3.1 4C装置智能图像识别的需求 | 第30-32页 |
| 3.2 高铁接触网结构型式及支持装置零部件的典型缺陷 | 第32-38页 |
| 3.3 基于传统图像处理技术的缺陷检测算法及其不足 | 第38-44页 |
| 3.3.1 基于模板匹配的平腕臂U型抱箍定位算法 | 第38-39页 |
| 3.3.2 基于传统图像处理技术的平腕臂U型抱箍开口销缺失检测算法 | 第39-41页 |
| 3.3.3 基于传统图像处理技术的平腕臂U型抱箍开口销缺失检测算法的测试 | 第41-42页 |
| 3.3.4 基于传统图像处理技术的缺陷检测算法的不足 | 第42-44页 |
| 3.4 本章小节 | 第44-45页 |
| 第4章 基于FasterR-CNN的高铁接触网支持装置零部件定位算法的设计 | 第45-56页 |
| 4.1 支持装置零部件定位算法的设计目标及基本思路 | 第45页 |
| 4.2 数据集的制作与准备 | 第45-46页 |
| 4.3 深度学习开发框架选择 | 第46-47页 |
| 4.4 目标检测算法的网络结构 | 第47-54页 |
| 4.4.1 整体架构和流程 | 第48-49页 |
| 4.4.2 详细实现 | 第49-54页 |
| 4.5 训练策略选择 | 第54-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第5章 基于FasterR-CNN的高铁接触网支持装置零部件定位算法的实现 | 第56-63页 |
| 5.1 图像数据集的准备 | 第56-58页 |
| 5.1.1 零部件精准标注 | 第56-57页 |
| 5.1.2 数据集的丰富 | 第57页 |
| 5.1.3 数据集预处理 | 第57-58页 |
| 5.2 检测模型的训练 | 第58-60页 |
| 5.3 支持装置零部件定位算法的实验验证 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 总结与展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间参与的科研项目及科研成果 | 第69-70页 |
