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
北京交通大学;