新書推薦：
《
失败：1891—1900 清王朝的变革、战争与排外
》
售價：HK$
85.8
《
送你一匹马（“我不求深刻，只求简单。”看三毛如何拒绝内耗，为自己而活）
》
售價：HK$
64.9
《
秦汉史讲义
》
售價：HK$
151.8
《
万千心理·我的精神分析之道：复杂的俄狄浦斯及其他议题
》
售價：HK$
104.5
《
荷马：伊利亚特（英文）-西方人文经典影印21
》
售價：HK$
107.8
《
我的心理医生是只猫
》
售價：HK$
49.5
《
巴拉吉预言
》
售價：HK$
74.8
《
股权控制战略：如何实现公司控制和有效激励（第2版）
》
售價：HK$
98.8
|
| 內容簡介： |
|
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。《基于深度学习的地铁基础设施病害检测》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。
|
| 目錄：
|
|
目录前言第1章 绪论11.1 地铁基础设施检测及意义11.2 深度学习发展现状21.3 地铁基础设施检测国内外研究现状31.3.1 钢轨检测国内外研究现状31.3.2 扣件检测国内外研究现状41.3.3 受电弓检测国内外研究现状51.3.4 接触网检测国内外研究现状71.4 本书主要内容8参考文献9第2章 图像处理基础132.1 图像滤波技术132.1.1 盒式滤波132.1.2 均值滤波142.1.3 高斯滤波142.1.4 中值滤波152.1.5 双边滤波152.1.6 引导滤波162.2 图像分割技术172.2.1 传统分割方法172.2.2 智能分割方法192.3 图像边缘检测技术212.3.1 微分边缘检测技术222.3.2 基于小波变换的边缘检测技术232.3.3 基于数学形态学的边缘检测技术242.3.4 基于模糊学的边缘检测技术262.3.5 基于神经网络的边缘检测技术272.3.6 基于遗传算法的边缘检测技术272.4 图像特征提取技术282.5 图像增强技术322.5.1 直方图均衡算法332.5.2 小波变换图像增强算法342.5.3 偏微分方程图像增强算法342.5.4 Retinex图像增强算法352.6 图像视觉特征词典技术362.6.1 词袋模型362.6.2 高斯混合模型372.7 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423.1 受电弓病害介绍423.1.1 受电弓基本介绍423.1.2 受电弓常见病害介绍433.2 碳滑板边缘检测463.2.1 图像预处理463.2.2 图像边缘检测483.2.3 图像校正493.2.4 磨耗边缘提取493.3 碳滑板病害识别513.3.1 磨耗曲线提取513.3.2 磨耗数学定义523.3.3 实际案例分析543.4 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574.1 基于投影统计差的扣件区域的定位与分割574.1.1 钢轨区域定位584.1.2 轨枕区域定位624.1.3 扣件区域定位644.2 基于Dense SIFT的扣件区域的特征提取684.2.1 扣件Dense SIFT特征提取694.2.2 基于空间金字塔分解的扣件视觉词袋构建704.3 扣件病害的分类和识别724.4 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785.1 基于RGF和数字形态学的图像增强785.1.1 基于RGF的图像增强795.1.2 基于数学形态学的图像增强805.2 钢轨表面剥离掉块病害的检测与分类815.2.1 钢轨表面剥离掉块病害的定位与分割825.2.2 钢轨表面离散病害数据集与特征提取845.2.3 基于SVM的钢轨表面病害分类875.3 钢轨表面波磨病害的识别与评估905.3.1 基于改进空间金字塔匹配模型的钢轨波磨识别算法915.3.2 钢轨波磨周期估计945.3.3 钢轨波磨严重程度评估965.4 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1006.1 双目立体视觉概述1006.1.1 相机成像模型1006.1.2 相机标定方法1046.1.3 立体成像理论1066.2 立体匹配算法1076.2.1 立体匹配概念1076.2.2 常见立体匹配算法1106.3 接触线3D重构及病害分析1136.3.1 系统搭建及标定1136.3.2 接触线三维重建1176.3.3 接触线病害分析1216.4 本章小结125参考文献125第7章 深度学习基础1267.1 深度学习理论1267.2 卷积神经网络1277.2.1 卷积神经网络的结构1287.2.2 卷积神经网络运算与求解1307.2.3 卷积神经网络的特点1337.2.4 典型卷积网络模型1347.3 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1398.1 扣件图像的预处理1398.1.1 图像旋转1398.1.2 图像镜像1408.1.3 图像加噪1418.1.4 图像光照增强1418.2 基于VGGNet-16网络的扣件检测和识别1428.2.1 VGGNet-16网络结构1428.2.2 VGGNet-16网络训练及测试结果1448.3 基于Faster R-CNN的扣件检测和识别1478.3.1 目标检测数据集制作1478.3.2 Faster R-CNN模型搭建1488.3.3 Faster R-CNN训练及测试1518.4 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1559.1 钢轨表面和扣件病害多目标检测概述1559.2 钢轨表面和扣件病害图像的预处理1589.3 基于Faster R-CNN的钢轨表面和扣件多目标病害识别1599.3.1 多目标病害检测数据集制作1609.3.2 Faster R-CNN模型搭建、训练及测试1619.4 基于YOLOv3算法的钢轨表面和扣件多目标病害识别1629.4.1 YOLOv3网络模型搭建及改进1639.4.2 改进YOLOv3网络训练及测试1679.5 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17310.1 待测绝缘子和各类螺栓的图像分割17410.1.1 图像预处理17410.1.2 图像匹配算法17510.1.3 绝缘子与各类螺栓提取17710.2 基于图像处理的接触网悬挂病害检测18010.2.1 基于SURF算法的特征提取18110.2.2 BOF模型18110.2.3 绝缘子和各类螺栓分类18210.3 基于AlexNet模型的待测目标分类检测18810.3.1 图像数据增强18810.3.2 AlexNet模型19010.3.3 基于AlexNet模型的待测目标分类19110.4 基于YOLOv3网络的接触网悬挂病害检测19210.5 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19711.1 基于DCNN的受电弓表面缺陷图像识别19711.1.1 实验环境介绍19811.1.2 网络深度对比与选择19811.1.3 适用于受电弓表面缺陷图像识别的DCNN模型20311.1.4 模型训练与缺陷识别效果测试21011.2 基于Faster R-CNN的受电弓定位及病害分类21211.2.1 Faster R-CNN模型介绍及改进21211.2.2 实验结果及分析21811.3 本章小结222参考文献222
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
