基于深度學(xué)習(xí)的地鐵基礎(chǔ)設(shè)施病害檢測(cè)

目錄
前言
第1章　緒論1
1.1　地鐵基礎(chǔ)設(shè)施檢測(cè)及意義1
1.2　深度學(xué)習(xí)發(fā)展現(xiàn)狀2
1.3　地鐵基礎(chǔ)設(shè)施檢測(cè)國內(nèi)外研究現(xiàn)狀3
1.3.1　鋼軌檢測(cè)國內(nèi)外研究現(xiàn)狀3
1.3.2　扣件檢測(cè)國內(nèi)外研究現(xiàn)狀4
1.3.3　受電弓檢測(cè)國內(nèi)外研究現(xiàn)狀5
1.3.4　接觸網(wǎng)檢測(cè)國內(nèi)外研究現(xiàn)狀7
1.4　本書主要內(nèi)容8
參考文獻(xiàn)9
第2章　圖像處理基礎(chǔ)13
2.1　圖像濾波技術(shù)13
2.1.1　盒式濾波13
2.1.2　均值濾波14
2.1.3　高斯濾波14
2.1.4　中值濾波15
2.1.5　雙邊濾波15
2.1.6　引導(dǎo)濾波16
2.2　圖像分割技術(shù)17
2.2.1　傳統(tǒng)分割方法17
2.2.2　智能分割方法19
2.3　圖像邊緣檢測(cè)技術(shù)21
2.3.1　微分邊緣檢測(cè)技術(shù)22
2.3.2　基于小波變換的邊緣檢測(cè)技術(shù)23
2.3.3　基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測(cè)技術(shù)24
2.3.4　基于模糊學(xué)的邊緣檢測(cè)技術(shù)26
2.3.5　基于神經(jīng)網(wǎng)絡(luò)的邊緣檢測(cè)技術(shù)27
2.3.6　基于遺傳算法的邊緣檢測(cè)技術(shù)27
2.4　圖像特征提取技術(shù)28
2.5　圖像增強(qiáng)技術(shù)32
2.5.1　直方圖均衡算法33
2.5.2　小波變換圖像增強(qiáng)算法34
2.5.3　偏微分方程圖像增強(qiáng)算法34
2.5.4　Retinex圖像增強(qiáng)算法35
2.6　圖像視覺特征詞典技術(shù)36
2.6.1　詞袋模型36
2.6.2　高斯混合模型37
2.7　本章小結(jié)39
參考文獻(xiàn)40
第3章　基于圖像處理的碳滑板表面病害檢測(cè)42
3.1　受電弓病害介紹42
3.1.1　受電弓基本介紹42
3.1.2　受電弓常見病害介紹43
3.2　碳滑板邊緣檢測(cè)46
3.2.1　圖像預(yù)處理46
3.2.2　圖像邊緣檢測(cè)48
3.2.3　圖像校正49
3.2.4　磨耗邊緣提取49
3.3　碳滑板病害識(shí)別51
3.3.1　磨耗曲線提取51
3.3.2　磨耗數(shù)學(xué)定義52
3.3.3　實(shí)際案例分析54
3.4　本章小結(jié)56
參考文獻(xiàn)56
第4章　基于圖像處理的軌道線路扣件檢測(cè)57
4.1　基于投影統(tǒng)計(jì)差的扣件區(qū)域的定位與分割57
4.1.1　鋼軌區(qū)域定位58
4.1.2　軌枕區(qū)域定位62
4.1.3　扣件區(qū)域定位64
4.2　基于Dense SIFT的扣件區(qū)域的特征提取68
4.2.1　扣件Dense SIFT特征提取69
4.2.2　基于空間金字塔分解的扣件視覺詞袋構(gòu)建70
4.3　扣件病害的分類和識(shí)別72
4.4　本章小結(jié)76
參考文獻(xiàn)76
第5章　基于圖像處理的軌道表面病害檢測(cè)78
5.1　基于RGF和數(shù)字形態(tài)學(xué)的圖像增強(qiáng)78
5.1.1　基于RGF的圖像增強(qiáng)79
5.1.2　基于數(shù)學(xué)形態(tài)學(xué)的圖像增強(qiáng)80
5.2　鋼軌表面剝離掉塊病害的檢測(cè)與分類81
5.2.1　鋼軌表面剝離掉塊病害的定位與分割82
5.2.2　鋼軌表面離散病害數(shù)據(jù)集與特征提取84
5.2.3　基于SVM的鋼軌表面病害分類87
5.3　鋼軌表面波磨病害的識(shí)別與評(píng)估90
5.3.1　基于改進(jìn)空間金字塔匹配模型的鋼軌波磨識(shí)別算法91
5.3.2　鋼軌波磨周期估計(jì)94
5.3.3　鋼軌波磨嚴(yán)重程度評(píng)估96
5.4　本章小結(jié)97
參考文獻(xiàn)98
第6章　基于3D重構(gòu)的接觸線表面病害檢測(cè)100
6.1　雙目立體視覺概述100
6.1.1　相機(jī)成像模型100
6.1.2　相機(jī)標(biāo)定方法104
6.1.3　立體成像理論106
6.2　立體匹配算法107
6.2.1　立體匹配概念107
6.2.2　常見立體匹配算法110
6.3　接觸線3D重構(gòu)及病害分析113
6.3.1　系統(tǒng)搭建及標(biāo)定113
6.3.2　接觸線三維重建117
6.3.3　接觸線病害分析121
6.4　本章小結(jié)125
參考文獻(xiàn)125
第7章　深度學(xué)習(xí)基礎(chǔ)126
7.1　深度學(xué)習(xí)理論126
7.2　卷積神經(jīng)網(wǎng)絡(luò)127
7.2.1　卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)128
7.2.2　卷積神經(jīng)網(wǎng)絡(luò)運(yùn)算與求解130
7.2.3　卷積神經(jīng)網(wǎng)絡(luò)的特點(diǎn)133
7.2.4　典型卷積網(wǎng)絡(luò)模型134
7.3　本章小結(jié)138
參考文獻(xiàn)138
第8章　基于深度學(xué)習(xí)的軌道扣件識(shí)別139
8.1　扣件圖像的預(yù)處理139
8.1.1　圖像旋轉(zhuǎn)139
8.1.2　圖像鏡像140
8.1.3　圖像加噪141
8.1.4　圖像光照增強(qiáng)141
8.2　基于VGGNet-16網(wǎng)絡(luò)的扣件檢測(cè)和識(shí)別142
8.2.1　VGGNet-16網(wǎng)絡(luò)結(jié)構(gòu)142
8.2.2　VGGNet-16網(wǎng)絡(luò)訓(xùn)練及測(cè)試結(jié)果144
8.3　基于Faster R-CNN的扣件檢測(cè)和識(shí)別147
8.3.1　目標(biāo)檢測(cè)數(shù)據(jù)集制作147
8.3.2　Faster R-CNN模型搭建148
8.3.3　Faster R-CNN訓(xùn)練及測(cè)試151
8.4　本章小結(jié)154
參考文獻(xiàn)154
第9章　基于深度學(xué)習(xí)的鋼軌表面和扣件病害多目標(biāo)識(shí)別155
9.1　鋼軌表面和扣件病害多目標(biāo)檢測(cè)概述155
9.2　鋼軌表面和扣件病害圖像的預(yù)處理158
9.3　基于Faster R-CNN的鋼軌表面和扣件多目標(biāo)病害識(shí)別159
9.3.1　多目標(biāo)病害檢測(cè)數(shù)據(jù)集制作160
9.3.2　Faster R-CNN模型搭建、訓(xùn)練及測(cè)試161
9.4　基于YOLOv3算法的鋼軌表面和扣件多目標(biāo)病害識(shí)別162
9.4.1　YOLOv3網(wǎng)絡(luò)模型搭建及改進(jìn)163
9.4.2　改進(jìn)YOLOv3網(wǎng)絡(luò)訓(xùn)練及測(cè)試167
9.5　本章小結(jié)169
參考文獻(xiàn)170
第10章　接觸網(wǎng)懸掛部件的病害識(shí)別173
10.1　待測(cè)絕緣子和各類螺栓的圖像分割174
10.1.1　圖像預(yù)處理174
10.1.2　圖像匹配算法175
10.1.3　絕緣子與各類螺栓提取177
10.2　基于圖像處理的接觸網(wǎng)懸掛病害檢測(cè)180
10.2.1　基于SURF算法的特征提取181
10.2.2　BOF模型181
10.2.3　絕緣子和各類螺栓分類182
10.3　基于AlexNet模型的待測(cè)目標(biāo)分類檢測(cè)188
10.3.1　圖像數(shù)據(jù)增強(qiáng)188
10.3.2　AlexNet模型190
10.3.3　基于AlexNet模型的待測(cè)目標(biāo)分類191
10.4　基于YOLOv3網(wǎng)絡(luò)的接觸網(wǎng)懸掛病害檢測(cè)192
10.5　本章小結(jié)195
參考文獻(xiàn)195
第11章　基于深度學(xué)習(xí)的受電弓表面病害識(shí)別197
11.1　基于DCNN的受電弓表面缺陷圖像識(shí)別197
11.1.1　實(shí)驗(yàn)環(huán)境介紹198
11.1.2　網(wǎng)絡(luò)深度對(duì)比與選擇198
11.1.3　適用于受電弓表面缺陷圖像識(shí)別的DCNN模型203
11.1.4　模型訓(xùn)練與缺陷識(shí)別效果測(cè)試210
11.2　基于Faster R-CNN的受電弓定位及病害分類212
11.2.1　Faster R-CNN模型介紹及改進(jìn)212
11.2.2　實(shí)驗(yàn)結(jié)果及分析218
11.3　本章小結(jié)222
參考文獻(xiàn)222