基础设施是城市轨道交通的重要组成部分，包括轨道线路中的钢轨、扣件、接触线、接触悬挂和受电弓等，这些关键设备的可靠性和可用性直接关系到整个轨道交通系统的服役能力和安全行车。本书主要内容包括绪论、图像处理基础、基于图像处理的碳滑板表面病害检测、基于图像处理的轨道线路扣件检测、基于图像处理的轨道表面病害检测、基于3D 重构的接触线表面病害检测、深度学习基础、基于深度学习的轨道扣件识别、基于深度学习的钢轨表面和扣件病害多目标识别、接触网悬挂部件的病害识别和基于深度学习的受电弓表面病害识别等。
样章试读
目录
- 目录
前言
第1章 绪论1
1.1 地铁基础设施检测及意义1
1.2 深度学习发展现状2
1.3 地铁基础设施检测国内外研究现状3
1.3.1 钢轨检测国内外研究现状3
1.3.2 扣件检测国内外研究现状4
1.3.3 受电弓检测国内外研究现状5
1.3.4 接触网检测国内外研究现状7
1.4 本书主要内容8
参考文献9
第2章 图像处理基础13
2.1 图像滤波技术13
2.1.1 盒式滤波13
2.1.2 均值滤波14
2.1.3 高斯滤波14
2.1.4 中值滤波15
2.1.5 双边滤波15
2.1.6 引导滤波16
2.2 图像分割技术17
2.2.1 传统分割方法17
2.2.2 智能分割方法19
2.3 图像边缘检测技术21
2.3.1 微分边缘检测技术22
2.3.2 基于小波变换的边缘检测技术23
2.3.3 基于数学形态学的边缘检测技术24
2.3.4 基于模糊学的边缘检测技术26
2.3.5 基于神经网络的边缘检测技术27
2.3.6 基于遗传算法的边缘检测技术27
2.4 图像特征提取技术28
2.5 图像增强技术32
2.5.1 直方图均衡算法33
2.5.2 小波变换图像增强算法34
2.5.3 偏微分方程图像增强算法34
2.5.4 Retinex图像增强算法35
2.6 图像视觉特征词典技术36
2.6.1 词袋模型36
2.6.2 高斯混合模型37
2.7 本章小结39
参考文献40
第3章 基于图像处理的碳滑板表面病害检测42
3.1 受电弓病害介绍42
3.1.1 受电弓基本介绍42
3.1.2 受电弓常见病害介绍43
3.2 碳滑板边缘检测46
3.2.1 图像预处理46
3.2.2 图像边缘检测48
3.2.3 图像校正49
3.2.4 磨耗边缘提取49
3.3 碳滑板病害识别51
3.3.1 磨耗曲线提取51
3.3.2 磨耗数学定义52
3.3.3 实际案例分析54
3.4 本章小结56
参考文献56
第4章 基于图像处理的轨道线路扣件检测57
4.1 基于投影统计差的扣件区域的定位与分割57
4.1.1 钢轨区域定位58
4.1.2 轨枕区域定位62
4.1.3 扣件区域定位64
4.2 基于Dense SIFT的扣件区域的特征提取68
4.2.1 扣件Dense SIFT特征提取69
4.2.2 基于空间金字塔分解的扣件视觉词袋构建70
4.3 扣件病害的分类和识别72
4.4 本章小结76
参考文献76
第5章 基于图像处理的轨道表面病害检测78
5.1 基于RGF和数字形态学的图像增强78
5.1.1 基于RGF的图像增强79
5.1.2 基于数学形态学的图像增强80
5.2 钢轨表面剥离掉块病害的检测与分类81
5.2.1 钢轨表面剥离掉块病害的定位与分割82
5.2.2 钢轨表面离散病害数据集与特征提取84
5.2.3 基于SVM的钢轨表面病害分类87
5.3 钢轨表面波磨病害的识别与评估90
5.3.1 基于改进空间金字塔匹配模型的钢轨波磨识别算法91
5.3.2 钢轨波磨周期估计94
5.3.3 钢轨波磨严重程度评估96
5.4 本章小结97
参考文献98
第6章 基于3D重构的接触线表面病害检测100
6.1 双目立体视觉概述100
6.1.1 相机成像模型100
6.1.2 相机标定方法104
6.1.3 立体成像理论106
6.2 立体匹配算法107
6.2.1 立体匹配概念107
6.2.2 常见立体匹配算法110
6.3 接触线3D重构及病害分析113
6.3.1 系统搭建及标定113
6.3.2 接触线三维重建117
6.3.3 接触线病害分析121
6.4 本章小结125
参考文献125
第7章 深度学习基础126
7.1 深度学习理论126
7.2 卷积神经网络127
7.2.1 卷积神经网络的结构128
7.2.2 卷积神经网络运算与求解130
7.2.3 卷积神经网络的特点133
7.2.4 典型卷积网络模型134
7.3 本章小结138
参考文献138
第8章 基于深度学习的轨道扣件识别139
8.1 扣件图像的预处理139
8.1.1 图像旋转139
8.1.2 图像镜像140
8.1.3 图像加噪141
8.1.4 图像光照增强141
8.2 基于VGGNet-16网络的扣件检测和识别142
8.2.1 VGGNet-16网络结构142
8.2.2 VGGNet-16网络训练及测试结果144
8.3 基于Faster R-CNN的扣件检测和识别147
8.3.1 目标检测数据集制作147
8.3.2 Faster R-CNN模型搭建148
8.3.3 Faster R-CNN训练及测试151
8.4 本章小结154
参考文献154
第9章 基于深度学习的钢轨表面和扣件病害多目标识别155
9.1 钢轨表面和扣件病害多目标检测概述155
9.2 钢轨表面和扣件病害图像的预处理158
9.3 基于Faster R-CNN的钢轨表面和扣件多目标病害识别159
9.3.1 多目标病害检测数据集制作160
9.3.2 Faster R-CNN模型搭建、训练及测试161
9.4 基于YOLOv3算法的钢轨表面和扣件多目标病害识别162
9.4.1 YOLOv3网络模型搭建及改进163
9.4.2 改进YOLOv3网络训练及测试167
9.5 本章小结169
参考文献170
第10章 接触网悬挂部件的病害识别173
10.1 待测绝缘子和各类螺栓的图像分割174
10.1.1 图像预处理174
10.1.2 图像匹配算法175
10.1.3 绝缘子与各类螺栓提取177
10.2 基于图像处理的接触网悬挂病害检测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 绝缘子和各类螺栓分类182
10.3 基于AlexNet模型的待测目标分类检测188
10.3.1 图像数据增强188
10.3.2 AlexNet模型190
10.3.3 基于AlexNet模型的待测目标分类191
10.4 基于YOLOv3网络的接触网悬挂病害检测192
10.5 本章小结195
参考文献195
第11章 基于深度学习的受电弓表面病害识别197
11.1 基于DCNN的受电弓表面缺陷图像识别197
11.1.1 实验环境介绍198
11.1.2 网络深度对比与选择198
11.1.3 适用于受电弓表面缺陷图像识别的DCNN模型203
11.1.4 模型训练与缺陷识别效果测试210
11.2 基于Faster R-CNN的受电弓定位及病害分类212
11.2.1 Faster R-CNN模型介绍及改进212
11.2.2 实验结果及分析218
11.3 本章小结222
参考文献222
京公网安备 11010102004214号