| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外接触网巡检研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 接触网视频巡检装置 | 第14-15页 |
| 1.4 生成对抗网络简介与研究现状 | 第15-16页 |
| 1.5 基于视频的接触网鸟巢检测的关键技术和识别难点 | 第16-18页 |
| 1.5.1 基于视频的接触网鸟巢检测的关键技术 | 第16-17页 |
| 1.5.2 基于视频的接触网鸟巢检测的识别难点 | 第17-18页 |
| 1.6 本论文的主要内容及结构安排 | 第18-21页 |
| 1.6.1 论文主要内容 | 第18-19页 |
| 1.6.2 论文结构安排 | 第19-21页 |
| 第2章 接触网图像预处理及接触网支柱定位 | 第21-35页 |
| 2.1 接触网巡检图像获取 | 第21-22页 |
| 2.2 接触网巡检图像预处理 | 第22页 |
| 2.3 接触网图像去雾及曝光补偿 | 第22-26页 |
| 2.3.1 去雾算法原理 | 第22-24页 |
| 2.3.2 接触网巡检图像增强过程 | 第24-26页 |
| 2.4 接触网巡检图像倾斜校正 | 第26-27页 |
| 2.4.1 高速列车轨道超高 | 第26页 |
| 2.4.2 接触网图像倾斜校正 | 第26-27页 |
| 2.5 接触网支柱检测定位 | 第27-34页 |
| 2.5.1 FasterR-CNN简介及基本原理 | 第28-30页 |
| 2.5.2 制作训练数据集 | 第30-31页 |
| 2.5.3 模型结构 | 第31-32页 |
| 2.5.4 接触网支柱检测 | 第32-33页 |
| 2.5.5 实验结果及分析 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 双判别器生成对抗网络 | 第35-46页 |
| 3.1 生成对抗网络 | 第35-39页 |
| 3.1.1 模型结构 | 第35-36页 |
| 3.1.2 算法实现 | 第36-37页 |
| 3.1.3 GANs分类实验分析 | 第37-38页 |
| 3.1.4 分类性能理论分析 | 第38-39页 |
| 3.2 双判别器生成对抗网络 | 第39-45页 |
| 3.2.1 模型结构 | 第39-41页 |
| 3.2.2 收敛特性的理论分析 | 第41-43页 |
| 3.2.3 算法实现 | 第43-44页 |
| 3.2.4 分类及生成性能分析 | 第44-45页 |
| 3.3 本章小结 | 第45-46页 |
| 第4章 双判别器生成对抗网络在接触网鸟巢异常的检测的应用 | 第46-53页 |
| 4.1 基于MNIST数据集的半监督学习图像分类 | 第46-49页 |
| 4.2 基于DDGANs的接触网鸟巢异常检测 | 第49-52页 |
| 4.2.1 DDGANs训练过程 | 第49-50页 |
| 4.2.2 DDGANs鸟巢检测实验结果及分析 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 总结 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第62页 |