基于深度学习理论的铁路异物检测与识别技术研究
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 铁路异物安全监测研究现状 | 第10页 |
| 1.2.2 深度学习理论研究现状 | 第10-11页 |
| 1.3 本文主要的研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第二章 铁路视频采集系统设计 | 第14-21页 |
| 2.1 硬件模块及其电路设计 | 第14-18页 |
| 2.1.1 树莓派及其外围接口 | 第14-15页 |
| 2.1.2 摄像头模块选择 | 第15-16页 |
| 2.1.3 SD卡模块及其外围电路设计 | 第16-17页 |
| 2.1.4 GPS模块及其外围电路设计 | 第17-18页 |
| 2.2 整体设计方案 | 第18-20页 |
| 2.2.1 嵌入式开发环境 | 第18页 |
| 2.2.2 整体逻辑控制 | 第18-19页 |
| 2.2.3 系统软件设计 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 视频图像预处理技术 | 第21-30页 |
| 3.1 图像灰度化 | 第21-22页 |
| 3.2 空间滤波 | 第22-25页 |
| 3.2.1 邻域平均法 | 第22-23页 |
| 3.2.2 多图像平均法 | 第23页 |
| 3.2.3 中值滤波法 | 第23页 |
| 3.2.4 高斯滤波法 | 第23-24页 |
| 3.2.5 改进的高斯滤波法 | 第24-25页 |
| 3.3 图像增强 | 第25-29页 |
| 3.3.1 图像对比度增强 | 第26页 |
| 3.3.2 直方图均衡化 | 第26-27页 |
| 3.3.3 对比度增强后的直方图均衡 | 第27-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 基于深度学习理论的铁路异物识别 | 第30-48页 |
| 4.1 异物检测关键技术研究 | 第30-35页 |
| 4.1.1 高斯混合模型 | 第30-33页 |
| 4.1.2 运动检测方法分析 | 第33-34页 |
| 4.1.3 基于高斯混合模型与三帧差分的目标检测 | 第34-35页 |
| 4.2 异物识别分类方法 | 第35-40页 |
| 4.2.1 异物特征提取 | 第35-37页 |
| 4.2.2 基于图像特征的异物识别 | 第37-39页 |
| 4.2.3 异物识别分类方法特点分析 | 第39-40页 |
| 4.3 基于CNN的铁路异物识别分类 | 第40-45页 |
| 4.3.1 ROI区域处理 | 第40-42页 |
| 4.3.2 CNN结构选择 | 第42页 |
| 4.3.3 卷积神经网络训练 | 第42-45页 |
| 4.4 实验及其结果分析 | 第45-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 铁路异物监测平台 | 第48-57页 |
| 5.1 开发工具简介 | 第48-49页 |
| 5.2 平台开发环境 | 第49页 |
| 5.3 平台需求设计 | 第49-53页 |
| 5.3.1 平台架构设计 | 第49-50页 |
| 5.3.2 主要业务流程 | 第50-52页 |
| 5.3.3 平台功能设计 | 第52-53页 |
| 5.4 核心功能及实现 | 第53-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 总结 | 第57-59页 |
| 6.1 结论 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考 文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第64页 |
