地铁轨道扣件缺失图像检测系统研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题研究背景及意义 | 第11页 |
| 1.2 轨道扣件检测的国内外研究现状 | 第11-13页 |
| 1.3 本文研究内容与章节安排 | 第13-15页 |
| 第2章 扣件缺失检测系统 | 第15-23页 |
| 2.1 计算机视觉技术 | 第15页 |
| 2.2 图像识别技术 | 第15-19页 |
| 2.2.1 数字图像处理技术 | 第16-17页 |
| 2.2.2 模式识别技术 | 第17-19页 |
| 2.3 扣件检测系统概述 | 第19-22页 |
| 2.3.1 硬件系统 | 第19-21页 |
| 2.3.2 软件系统 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 扣件图像预处理及区域提取 | 第23-37页 |
| 3.1 扣件图像的小波去噪 | 第23-27页 |
| 3.1.1 小波分析与傅里叶变换的比较 | 第23-24页 |
| 3.1.2 小波变换理论 | 第24-26页 |
| 3.1.3 扣件图像的小波降噪 | 第26-27页 |
| 3.2 扣件图像边缘检测 | 第27-31页 |
| 3.3 扣件区域定位与提取 | 第31-35页 |
| 3.3.1 扣件定位基本原理 | 第31-33页 |
| 3.3.2 扣件区域提取 | 第33-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第4章 扣件图像特征提取 | 第37-49页 |
| 4.1 扣件图像形态学分析 | 第37-40页 |
| 4.1.1 连通域分析与处理 | 第37-39页 |
| 4.1.2 形态学处理 | 第39-40页 |
| 4.2 扣件图像特征提取 | 第40-48页 |
| 4.2.1 图像面积特征 | 第40-41页 |
| 4.2.2 图像欧拉数特征 | 第41-43页 |
| 4.2.3 图像熵特征 | 第43-44页 |
| 4.2.4 图像投影特征 | 第44-46页 |
| 4.2.5 区域面积特征 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第5章 扣件缺失状态识别 | 第49-62页 |
| 5.1 特征值归一化处理 | 第49-51页 |
| 5.2 基于BP神经网络的扣件状态识别 | 第51-57页 |
| 5.2.1 人工神经网络概述 | 第51-52页 |
| 5.2.2 BP神经网络概述 | 第52-54页 |
| 5.2.3 扣件状态识别 | 第54-57页 |
| 5.3 基于模糊C均值聚类的扣件状态识别 | 第57-61页 |
| 5.3.1 模糊集基本知识 | 第57-58页 |
| 5.3.2 模糊C均值聚类概述 | 第58-59页 |
| 5.3.3 扣件状态识别 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 结论与展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读学位期间取得的研究成果 | 第68页 |
