声明
致谢
1 绪论
1.1 研究背景
1.2 研究目的及意义
1.3 国内外研究综述
1.3.1 无人机巡检现状
1.3.2 图像去雾增强方法
1.3.3 钢轨缺陷检测方法
1.3.4 接触网系统缺陷检测方法
1.4 关键问题
1.5 研究内容
1.6 论文章节安排
2 基于多尺度金字塔式级联残差网络融合设计的图像去雾增强方法
2.1 引言
2.2 残差、级联深度学习网络与图像去雾转换模型
2.2.1 残差和级联网络
2.2.2 去雾转换模型
2.3 图像去雾网络结构设计
2.3.1多尺度金字塔式级联残差融合设计的去雾网络结构
2.3.2级联残差模块
2.3.3改进的残差模块
2.3.4 基于结构相似度索引的损失函数设计
2.4 仿真分析与验证
2.4.1 实验设置
2.4.2 参数调试
2.4.3 比较经典方法的实验分析
2.5本章小结
3 基于轨道边缘引导显著性检测网络的钢轨表面分割方法
3.1 引言
3.2 钢轨表面显著性检测网络设计
3.2.1 主干网络设计
3.2.2 钢轨表面显著性特征提取模块
3.2.3 钢轨边缘显著性特征提取模块
3.2.4 引导模块
3.3 混合损失函数
3.4 仿真分析与验证
3.4.1 实验设置
3.4.2 消融实验
3.4.3 与经典方法的比较实验
3.5 本章小结
4 基于局部类韦伯对比与灰度延伸最大熵的钢轨表面缺陷检测方法
4.1 引言
4.2 韦伯对比和最大熵阈值以及小波理论
4.2.1 韦伯对比定律
4.2.2 最大熵阈值理论
4.2.3 二维离散小波变换
4.3 钢轨表面缺陷特点
4.4 基于局部类韦伯对比定律的钢轨表面增强方法
4.4.1 局部类韦伯对比定律
4.4.2 滑动窗口选择与动态阈值设置
4.5 基于灰度延伸最大熵的表面缺陷检测方法
4.6 仿真分析与验证
4.6.1 实验设置
4.6.2 图像增强实验对比与分析
4.6.3 缺陷检测实验对比与分析
4.6.4 整个系统的评估
4.7 本章小结
5 基于级联YOLO 的接触网支持设备连接处定位方法
5.1 引言
5.2 二阶段检测方法介绍
5.3 YOLOv3 原理简介
5.4 基于级联YOLO 的高铁支持设备连接处定位方法
5.4.1 级联YOLO网络结构设计
5.4.2 训练策略和损失函数
5.4.3 基于gridmask 数据增广方法
5.5 仿真分析与验证
5.5.1 实验设置
5.5.2 消融实验
5.5.3 与经典方法的比较实验
5.6 本章小结
6 基于可旋转多尺度金字塔网络设计的紧固件缺陷检测方法
6.1 引言
6.2 RetinaNet 理论
6.3 基于可旋转多尺度RetinaNet 网络的紧固件缺陷检测方法
6.3.1 旋转RetinaNet网络结构设计
6.3.2 损失函数设计
6.4 仿真分析与验证
6.4.1 实验设置
6.4.2 损失函数消融实验
6.4.3 与经典方法比较实验结果分析
6.4.4 整个系统的评估
6.5 本章小结
7高铁沿线典型设备无人机图像巡检方法
7.1引言
7.2巡检内容及方案
7.2.1工务段轨道巡检
7.2.2供电段接触网支持设备巡检
7.2.3故障定位
7.3无人机及载荷选型
7.4航线规划
（1）航带方向
（2）航带间距
（3）坐标转换
（4）生成航线
（5）全自动巡检技术简介
7.5巡检安全保障
（1）无人机安全保障
（2）电子围栏安全空间
（3）标准制定
（4） 其他注意事项
7.6系统平台展示
（1）巡检管理
（2）缺陷管理
（3）可视化决策
7.7案例展示与分析
7.8本章小结
8 结论
8.1 研究结论与创新点
8.2 研究展望
参考文献
作者攻读博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;
