基于深度卷积神经网络的轨道扣件图像实时检测

目录

声明

致谢

1 引言

1.1 研究背景及意义

（1）研究背景

（2）方法研究意义

（3）实用价值

1.2 国内外研究现状

1.2.1 研究现状

1.2.2 发展趋势

1.3 论文主要内容及结构安排

1.3.1 论文主要内容

1.3.2 论文结构安排

2 轨道扣件检测原理与卷积网络结构分析

2.1 轨道扣件检测原理

2.2 卷积神经网络结构构成

2.2.1 卷积神经网络结构基本组成

2.2.2 YOLOv3-Tiny网络架构

3 轨道扣件检测网络模型设计

3.1 MYOLOv3-Tiny网络架构设计

3.1.1 网络架构与分析

3.1.2 深度可分离卷积

3.1.3 批标准化与非线性激活函数

3.1.4 线性瓶颈和倒置残差结构

3.2 MYOLOv3-Tiny边框预测与损失计算

3.2.1 扣件边界框预测

3.2.2 网络损失函数与反馈运算

3.2.3 网络参数传递与反馈运算

4 轨道扣件检测网络模型测试结果分析

4.1 轨道扣件图像数据集构建

4.2 轨道扣件图像数据处理

4.2.1 扣件图像标签与训练文件设置

4.2.2 视觉相关图像混合

4.2.3 图像分类标签平滑化

4.3 训练环境与训练方法

4.4 训练效果评估指标

4.5 实时检测评估流程

4.6 网络训练与测试效果分析

4.6.1 训练过程与分析

4.6.2 性能比较与分析

4.6.3 图像检测结果分析

5 轻量级轨道扣件实时检测系统设计与实现

5.1 轨道扣件实时检测系统组成

5.2 扣件图像检测系统测试结果分析

5.2.1 扣件检测网络模型软件设计

5.2.2 基于1080Ti深度学习服务器的性能分析

5.2.3 基于Jetson Nano深度学习平台的性能分析

6 总结与展望

6.1 论文总结

6.2 工作展望

参考文献

图索引

表索引

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集