基于深度学习的地铁隧道巡检视频分析技术的研究

目录

声明

1绪论

1.1 地铁隧道巡检的背景与现状

1.2 深度学习视频分析的背景与现状

1.3 研究内容与组织结构

2卷积神经网络的原理及结构

2.1 卷积神经网络的原理

2.1.1 标准卷积

2.1.2 深度可分离卷积

2.1.3 最大池化

2.1.4 平均池化

2.2 经典卷积神经网络的模型结构

2.2.1 AlexNet

2.2.2 VGG

2.2.3 GoogleNet

2.2.4 ResNet

2.3 轻量化卷积神经网络的模型结构

2.3.1 SqueezeNet

2.3.2 MobileNet

2.3.3 ShuffleNet

2.4 本章小结

3地铁隧道巡检视频分析系统方案设计

3.1 系统设计流程

3.2 地铁隧道巡检数据集的制作及预处理

3.2.1 Subway-5数据集的制作

3.2.2 数据预处理

3.3 两种SubwayNet的基础构建块设计与网络模型设计

3.3.1 Subway_inception_v1结构设计

3.3.2 Subway_inception_v2结构设计

3.3.3 两种SubwayNet网络模型设计

3.4 SubwayNet的训练与模型保存

3.5 便捷性功能设计

3.5.1 图形用户界面设计

3.5.2 声音报警功能的添加与程序打包

3.6 系统应用场景设计

3.6.1 地铁隧道巡检车模型设计

3.6.2 地铁隧道巡检车结构设计

3.7 本章小结

4 网络模型的性能测试和对比

4.1 深度学习框架

4.2 实验环境和评价指标

4.2.1实验环境

4.2.2 评价指标

4.3 训练与测试数据集

4.4 Subway-5数据集上网络模型的性能对比

4.4.1 四种轻量化网络模型的具体结构

4.4.2不同网络模型的准确率与速度对比

4.4.3 两种SubwayNet的评价指标对比

4.4.4 SubwayNet_v2的特征图与类激活图可视化

4.5 CIFAR-10数据集上网络模型的性能对比

4.6 整体系统运行效果

4.7 本章小结

5总结和展望

5.1 总结

5.2 展望

致谢

参考文献

攻读硕士学位期间的主要研究成果