基于深度学习的铁路扣件检测系统的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 扣件检测算法研究现状 | 第12-14页 |
| 1.2.2 深度学习图像识别研究现状 | 第14-15页 |
| 1.3 扣件检测问题概述 | 第15-18页 |
| 1.3.1 常见的扣件故障 | 第15页 |
| 1.3.2 传统的扣件特征提取方式 | 第15-18页 |
| 1.4 论文主要研究内容 | 第18-19页 |
| 1.5 本论文结构组织 | 第19-21页 |
| 2 扣件检测系统的设计 | 第21-29页 |
| 2.1 扣件检测系统架构 | 第21-23页 |
| 2.2 相机的选型 | 第23-25页 |
| 2.3 相机触发方案的确定 | 第25-27页 |
| 2.4 扣件检测系统的软件部分 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于CNN的扣件图像特征提取 | 第29-51页 |
| 3.1 基于CNN扣件特征提取理论基础 | 第29-32页 |
| 3.1.1 局部连接与多核卷积 | 第29-31页 |
| 3.1.2 卷积核选取 | 第31-32页 |
| 3.2 CNN实现扣件特征提取过程 | 第32-36页 |
| 3.3 CNN网络选择 | 第36-42页 |
| 3.3.1 CNN网络对比 | 第36-38页 |
| 3.3.2 特征图绘制实验 | 第38-42页 |
| 3.4 CNN关键问题 | 第42-46页 |
| 3.4.1 梯度消失问题 | 第42-43页 |
| 3.4.2 过拟合问题 | 第43-46页 |
| 3.5 扣件检测系统的框架选择 | 第46-49页 |
| 3.5.1 框架对比 | 第46-48页 |
| 3.5.2 CAFFE框架概述 | 第48-49页 |
| 3.6 本章小结 | 第49-51页 |
| 4 基于Faster R-CNN的扣件检测 | 第51-73页 |
| 4.1 系统运行环境 | 第51-52页 |
| 4.2 数据集制作 | 第52-54页 |
| 4.3 R-CNN系列算法 | 第54-56页 |
| 4.4 Faster R-CNN扣件模型训练 | 第56-62页 |
| 4.4.1 RPN训练 | 第57-58页 |
| 4.4.2 RPN生成建议窗口及优化 | 第58-61页 |
| 4.4.3 Fast R-CNN训练 | 第61-62页 |
| 4.5 Faster R-CNN扣件模型测试 | 第62-67页 |
| 4.5.1 测试网络结构 | 第62-63页 |
| 4.5.2 RPN测试 | 第63-65页 |
| 4.5.3 ROI及结果分类 | 第65-67页 |
| 4.6 检测模型评估 | 第67-71页 |
| 4.6.1 Loss曲线绘制 | 第67-69页 |
| 4.6.2 PR曲线绘制 | 第69-71页 |
| 4.7 本章小结 | 第71-73页 |
| 5 实验 | 第73-81页 |
| 5.1 鲁棒性实验 | 第73-76页 |
| 5.1.1 亮度实验 | 第73-74页 |
| 5.1.2 遮挡实验 | 第74-75页 |
| 5.1.3 旋转实验 | 第75页 |
| 5.1.4 噪点实验 | 第75-76页 |
| 5.2 检测效果测试 | 第76-79页 |
| 5.3 错误检测分析 | 第79-80页 |
| 5.4 本章小结 | 第80-81页 |
| 6 总结与展望 | 第81-83页 |
| 6.1 总结 | 第81-82页 |
| 6.2 展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第87-91页 |
| 学位论文数据集 | 第91页 |
