基于卷积神经网络的铁轨扣件异常状态检测研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-16页 |
| 1.1 课题研究背景与意义 | 第12-13页 |
| 1.2 国内外研究发展现状 | 第13-14页 |
| 1.3 论文的主要研究工作 | 第14-15页 |
| 1.4 论文结构 | 第15-16页 |
| 2 前期工作与研究现状 | 第16-29页 |
| 2.1 基于在线学习的扣件检测算法 | 第16-19页 |
| 2.1.1 铁轨轨道定位 | 第16-17页 |
| 2.1.2 铁轨扣件定位 | 第17-18页 |
| 2.1.3 铁轨扣件检测 | 第18-19页 |
| 2.2 不足与解决方案 | 第19-20页 |
| 2.3 基于深度学习特征表示的研究现状 | 第20-24页 |
| 2.3.1 手工设计的特征 | 第21页 |
| 2.3.2 基于学习的特征 | 第21-22页 |
| 2.3.3 深度学习的特征 | 第22-24页 |
| 2.4 卷积神经网络的概述 | 第24-28页 |
| 2.4.1 神经网络模型 | 第25-26页 |
| 2.4.2 前向传播算法 | 第26页 |
| 2.4.3 反向传播算法 | 第26-28页 |
| 2.5 小结 | 第28-29页 |
| 3 基于AlexNet的扣件检测算法 | 第29-50页 |
| 3.1 基于AlexNet的扣件检测算法 | 第29-35页 |
| 3.1.1 算法平台的选择 | 第29-31页 |
| 3.1.2 AlexNet网络模型的结构 | 第31-35页 |
| 3.2 扣件数据集的准备 | 第35-39页 |
| 3.3 实验结果 | 第39-42页 |
| 3.3.1 开发与实验环境 | 第39页 |
| 3.3.2 实验数据 | 第39-40页 |
| 3.3.3 实验评价指标 | 第40-41页 |
| 3.3.4 各线路检测结果 | 第41-42页 |
| 3.4 实验分析 | 第42-48页 |
| 3.4.1 提取特征数选取的影响 | 第42-44页 |
| 3.4.2 网络模型迭代次数选取的影响 | 第44-45页 |
| 3.4.3 络层数选取的影响 | 第45-46页 |
| 3.4.4 模型推广能力分析 | 第46-47页 |
| 3.4.5 与前期工作算法的比较 | 第47-48页 |
| 3.5 小结 | 第48-50页 |
| 4 基于Siamese网络模型的扣件检测算法 | 第50-61页 |
| 4.1 基于Siamese网络模型的检测算法 | 第50-54页 |
| 4.1.1 Siamese网络模型 | 第50-51页 |
| 4.1.2 Siamese网络模型的结构 | 第51-54页 |
| 4.2 实验结果 | 第54-55页 |
| 4.2.1 开发与实验环境 | 第54页 |
| 4.2.2 实验数据 | 第54页 |
| 4.2.3 各线路检测结果 | 第54-55页 |
| 4.3 实验分析 | 第55-60页 |
| 4.3.1 提取特征数选取的影响 | 第55-57页 |
| 4.3.2 网络模型迭代次数选取的影响 | 第57-58页 |
| 4.3.3 模型推广能力分析 | 第58-59页 |
| 4.3.4 与前期工作算法的比较 | 第59-60页 |
| 4.4 小结 | 第60-61页 |
| 5 结论与展望 | 第61-63页 |
| 5.1 结论 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-65页 |
| 作者简历 | 第65-67页 |
| 学位论文数据集 | 第67页 |
