基于深度學習的地鐵基礎設施病害檢測

目錄
前言
第1章　緒論1
1.1　地鐵基礎設施檢測及意義1
1.2　深度學習發(fā)展現(xiàn)狀2
1.3　地鐵基礎設施檢測國內外研究現(xiàn)狀3
1.3.1　鋼軌檢測國內外研究現(xiàn)狀3
1.3.2　扣件檢測國內外研究現(xiàn)狀4
1.3.3　受電弓檢測國內外研究現(xiàn)狀5
1.3.4　接觸網(wǎng)檢測國內外研究現(xiàn)狀7
1.4　本書主要內容8
參考文獻9
第2章　圖像處理基礎13
2.1　圖像濾波技術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　引導濾波16
2.2　圖像分割技術17
2.2.1　傳統(tǒng)分割方法17
2.2.2　智能分割方法19
2.3　圖像邊緣檢測技術21
2.3.1　微分邊緣檢測技術22
2.3.2　基于小波變換的邊緣檢測技術23
2.3.3　基于數(shù)學形態(tài)學的邊緣檢測技術24
2.3.4　基于模糊學的邊緣檢測技術26
2.3.5　基于神經網(wǎng)絡的邊緣檢測技術27
2.3.6　基于遺傳算法的邊緣檢測技術27
2.4　圖像特征提取技術28
2.5　圖像增強技術32
2.5.1　直方圖均衡算法33
2.5.2　小波變換圖像增強算法34
2.5.3　偏微分方程圖像增強算法34
2.5.4　Retinex圖像增強算法35
2.6　圖像視覺特征詞典技術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39
參考文獻40
第3章　基于圖像處理的碳滑板表面病害檢測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46
3.2.1　圖像預處理46
3.2.2　圖像邊緣檢測48
3.2.3　圖像校正49
3.2.4　磨耗邊緣提取49
3.3　碳滑板病害識別51
3.3.1　磨耗曲線提取51
3.3.2　磨耗數(shù)學定義52
3.3.3　實際案例分析54
3.4　本章小結56
參考文獻56
第4章　基于圖像處理的軌道線路扣件檢測57
4.1　基于投影統(tǒng)計差的扣件區(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建70
4.3　扣件病害的分類和識別72
4.4　本章小結76
參考文獻76
第5章　基于圖像處理的軌道表面病害檢測78
5.1　基于RGF和數(shù)字形態(tài)學的圖像增強78
5.1.1　基于RGF的圖像增強79
5.1.2　基于數(shù)學形態(tài)學的圖像增強80
5.2　鋼軌表面剝離掉塊病害的檢測與分類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別與評估90
5.3.1　基于改進空間金字塔匹配模型的鋼軌波磨識別算法91
5.3.2　鋼軌波磨周期估計94
5.3.3　鋼軌波磨嚴重程度評估96
5.4　本章小結97
參考文獻98
第6章　基于3D重構的接觸線表面病害檢測100
6.1　雙目立體視覺概述100
6.1.1　相機成像模型100
6.1.2　相機標定方法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重構及病害分析113
6.3.1　系統(tǒng)搭建及標定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125
參考文獻125
第7章　深度學習基礎126
7.1　深度學習理論126
7.2　卷積神經網(wǎng)絡127
7.2.1　卷積神經網(wǎng)絡的結構128
7.2.2　卷積神經網(wǎng)絡運算與求解130
7.2.3　卷積神經網(wǎng)絡的特點133
7.2.4　典型卷積網(wǎng)絡模型134
7.3　本章小結138
參考文獻138
第8章　基于深度學習的軌道扣件識別139
8.1　扣件圖像的預處理139
8.1.1　圖像旋轉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141
8.2　基于VGGNet-16網(wǎng)絡的扣件檢測和識別142
8.2.1　VGGNet-16網(wǎng)絡結構142
8.2.2　VGGNet-16網(wǎng)絡訓練及測試結果144
8.3　基于Faster R-CNN的扣件檢測和識別147
8.3.1　目標檢測數(shù)據(jù)集制作147
8.3.2　Faster R-CNN模型搭建148
8.3.3　Faster R-CNN訓練及測試151
8.4　本章小結154
參考文獻154
第9章　基于深度學習的鋼軌表面和扣件病害多目標識別155
9.1　鋼軌表面和扣件病害多目標檢測概述155
9.2　鋼軌表面和扣件病害圖像的預處理158
9.3　基于Faster R-CNN的鋼軌表面和扣件多目標病害識別159
9.3.1　多目標病害檢測數(shù)據(jù)集制作160
9.3.2　Faster R-CNN模型搭建、訓練及測試161
9.4　基于YOLOv3算法的鋼軌表面和扣件多目標病害識別162
9.4.1　YOLOv3網(wǎng)絡模型搭建及改進163
9.4.2　改進YOLOv3網(wǎng)絡訓練及測試167
9.5　本章小結169
參考文獻170
第10章　接觸網(wǎng)懸掛部件的病害識別173
10.1　待測絕緣子和各類螺栓的圖像分割174
10.1.1　圖像預處理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模型的待測目標分類檢測188
10.3.1　圖像數(shù)據(jù)增強188
10.3.2　AlexNet模型190
10.3.3　基于AlexNet模型的待測目標分類191
10.4　基于YOLOv3網(wǎng)絡的接觸網(wǎng)懸掛病害檢測192
10.5　本章小結195
參考文獻195
第11章　基于深度學習的受電弓表面病害識別197
11.1　基于DCNN的受電弓表面缺陷圖像識別197
11.1.1　實驗環(huán)境介紹198
11.1.2　網(wǎng)絡深度對比與選擇198
11.1.3　適用于受電弓表面缺陷圖像識別的DCNN模型203
11.1.4　模型訓練與缺陷識別效果測試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212
11.2.2　實驗結果及分析218
11.3　本章小結222
參考文獻222