一、挪威國(guó)家鐵路管理局(Jernbaneverket)的多功能軌道檢查車（論文文獻(xiàn)綜述）
尹丹[1]（2017）在《基于機(jī)器視覺的鐵路軌道檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)》文中研究表明近年來(lái),我國(guó)交通運(yùn)輸業(yè)持續(xù)發(fā)展,技術(shù)革新和經(jīng)濟(jì)需求推動(dòng)了高速鐵路快速發(fā)展,鐵路軌道鋪設(shè)量和里程數(shù)不斷增加,同時(shí)鐵路軌道的日常檢測(cè)工作負(fù)擔(dān)成幾何級(jí)數(shù)增長(zhǎng),目前我國(guó)的鐵路軌道檢測(cè)仍然保留在人工巡檢階段,穩(wěn)定性差,漏檢率高,另一方面對(duì)鐵路巡檢人員安全存在較大隱患。隨著科技進(jìn)步,自動(dòng)化程度的提高,鐵路軌道檢測(cè)必定會(huì)向著自動(dòng)化、智能化的實(shí)時(shí)檢測(cè)趨勢(shì)發(fā)展。機(jī)器視覺技術(shù)高速發(fā)展,已經(jīng)在諸多領(lǐng)域深入應(yīng)用,例如醫(yī)療、制造、安全、軍事等,并且取得了良好的效果。本文提出了一種基于機(jī)器視覺的鐵路軌道檢測(cè)系統(tǒng),重點(diǎn)檢測(cè)鐵路軌道軌縫距離和鐵軌彈條的缺失,利用工業(yè)相機(jī)的高時(shí)滯性和圖像處理技術(shù)的高精確性來(lái)代替人工巡視檢測(cè),同時(shí)具有可靠性高、數(shù)據(jù)留存和適用性廣等特點(diǎn)。針對(duì)秦皇島港管鐵路的鋪設(shè)特點(diǎn)和鐵軌特征,提出了一套適應(yīng)于秦皇島港管鐵路軌道的檢測(cè)算法。在鐵路軌道軌縫檢測(cè)算法中,將采集圖片經(jīng)過(guò)預(yù)處理后,通過(guò)直方圖統(tǒng)計(jì)信息進(jìn)行判斷,對(duì)疑似存在鐵路軌縫的圖片進(jìn)行形態(tài)學(xué)處理,經(jīng)標(biāo)定進(jìn)行轉(zhuǎn)化為真實(shí)軌縫數(shù)據(jù)進(jìn)行判別;在鐵路軌道彈條檢測(cè)算法中,將標(biāo)準(zhǔn)彈條圖像進(jìn)行邊緣提取和形態(tài)學(xué)處理,然后進(jìn)行分類和訓(xùn)練,最后設(shè)計(jì)了一種基于邊緣掃描的彈條狀態(tài)檢測(cè)算法進(jìn)行模式識(shí)別,判斷出檢測(cè)圖像彈條狀態(tài)。本文介紹了檢測(cè)系統(tǒng)的硬件設(shè)備組成,采集系統(tǒng)通過(guò)實(shí)時(shí)采集圖片傳輸至處理系統(tǒng),實(shí)現(xiàn)在線處理和數(shù)據(jù)保存。同時(shí)也介紹了檢測(cè)系統(tǒng)算法編譯環(huán)境和軟件界面的基本功能。經(jīng)過(guò)大量現(xiàn)場(chǎng)采集數(shù)據(jù)的處理,驗(yàn)證了檢測(cè)算法和系統(tǒng)的準(zhǔn)確性,同時(shí)對(duì)同領(lǐng)域類似檢測(cè)系統(tǒng)有一定借鑒價(jià)值。
王珍珍[2]（2016）在《基于機(jī)器視覺的鐵路扣件缺陷檢測(cè)方法研究》文中認(rèn)為近年來(lái),由于列車向高速、重載的方向迅速發(fā)展,因此,對(duì)鐵路線路的維護(hù)工作也提出了更高的要求。傳統(tǒng)的人工檢修方法對(duì)于當(dāng)今現(xiàn)代化鐵路安全自動(dòng)維護(hù)的需求而言已經(jīng)過(guò)時(shí)?，F(xiàn)場(chǎng)數(shù)據(jù)調(diào)查可知,一旦鐵路扣件缺陷連續(xù)存在3個(gè)以上就有可能導(dǎo)致列車脫軌事故的發(fā)生。然而,由于技術(shù)的欠缺,目前,在現(xiàn)場(chǎng)大多數(shù)路段對(duì)扣件缺陷的檢測(cè)方法仍舊需要依靠工人沿線路巡查,該方法已不能滿足定期檢修的需要。另外,工人的安全也不能得到有效的保障。因此,該方法已無(wú)法保障為列車的高速運(yùn)行提供一個(gè)安全可靠的線路環(huán)境。在此種環(huán)境下,研發(fā)一種可靠、通用的自動(dòng)對(duì)鐵路扣件缺陷檢測(cè)的方法就顯得尤為重要。針對(duì)現(xiàn)有鐵路扣件缺陷檢測(cè)方法存在的不足,本文在機(jī)器視覺和圖像處理的基礎(chǔ)上,初步實(shí)現(xiàn)了扣件缺陷的自動(dòng)檢測(cè)與分類,并設(shè)計(jì)了基于機(jī)器視覺的鐵路扣件缺陷檢測(cè)系統(tǒng)的軟件界面平臺(tái)。首先,對(duì)獲取的幀圖像進(jìn)行預(yù)處理,對(duì)灰度圖像進(jìn)行灰度化,減少圖像的信息量。通過(guò)對(duì)圖像去噪和增強(qiáng)處理,減少了圖像傳輸過(guò)程中對(duì)圖片質(zhì)量的影響,提高圖像的清晰度與對(duì)比度。針對(duì)扣件定位差的問題,利用LSD（Line Segment Detector,直線提?。┧惴▽?shí)現(xiàn)扣件枕肩位置的準(zhǔn)確定位,結(jié)合圖像的邊緣特征圖實(shí)現(xiàn)扣件鋼軌區(qū)域的準(zhǔn)確定位,利用鋼軌邊緣位置與枕肩位置的結(jié)構(gòu)信息關(guān)系,對(duì)扣件區(qū)域?qū)崿F(xiàn)最終的準(zhǔn)確定位。最后,利用融合分層LBP（Local Binary Pattern,局部二值模式）和分層HOG（Histogram of Oriented Gradient,方向梯度直方圖）特征提取算法對(duì)視頻流中定位后的各類扣件提取特有的特征,并將此特征數(shù)據(jù)作為扣件分類器訓(xùn)練的依據(jù)。基于二分類的SVM（Support Vector Machine,支持向量機(jī)）分類器對(duì)扣件缺陷進(jìn)行準(zhǔn)確分類。引用了先進(jìn)的一對(duì)一特征的分類方法進(jìn)行了SVM離線訓(xùn)練,基于“投票法”的思想實(shí)現(xiàn)在線對(duì)扣件缺陷的準(zhǔn)確分類。通過(guò)選取大量的正負(fù)樣本進(jìn)行仿真實(shí)驗(yàn),本方法有效提高了系統(tǒng)的識(shí)別分類的準(zhǔn)確率。設(shè)計(jì)的鐵路扣件缺陷監(jiān)測(cè)系統(tǒng)的軟件界面平臺(tái),其操作內(nèi)容有:登錄、視頻采集、存儲(chǔ)、定位、缺陷檢測(cè)識(shí)別和報(bào)警管理等六個(gè)模塊。當(dāng)監(jiān)控窗口中出現(xiàn)缺陷扣件時(shí),能夠自動(dòng)地對(duì)其進(jìn)行檢測(cè)與分類,同時(shí)把分類結(jié)果通過(guò)無(wú)線傳輸系統(tǒng)發(fā)送到工務(wù)段,并將其作為其維護(hù)的重要依據(jù)。
丁銳[3]（2013）在《鐵路圖像分類和軌頂邊緣定位算法研究》文中研究表明隨著鐵路運(yùn)輸?shù)目焖侔l(fā)展,鐵路安全運(yùn)營(yíng)得到業(yè)界更多關(guān)注。軌道關(guān)鍵設(shè)備,如鋼軌、扣件、軌枕等的安全狀況直接決定著鐵路的安全運(yùn)營(yíng)。隨著我國(guó)高速、重載鐵路的快速發(fā)展,人工巡檢已經(jīng)難以滿足現(xiàn)代鐵路運(yùn)營(yíng)安全的要求。反觀當(dāng)今國(guó)際上普遍采用圖像處理技術(shù)來(lái)實(shí)現(xiàn)鐵路軌道的自動(dòng)檢測(cè),不僅檢測(cè)效率高,而且經(jīng)濟(jì)、安全、實(shí)用性強(qiáng)。近年來(lái)突飛猛進(jìn)的計(jì)算機(jī)軟硬件技術(shù),為自動(dòng)化檢測(cè)提供了更加廣闊的應(yīng)用空間。因此,我國(guó)必須緊跟國(guó)際趨勢(shì),因地制宜,發(fā)展適合本國(guó)鐵路狀況的自動(dòng)化檢測(cè)系統(tǒng)。本文針對(duì)圖像處理算法較強(qiáng)的適應(yīng)性這一特點(diǎn)進(jìn)行研究,主要工作如下：1、對(duì)鐵路圖像進(jìn)行特征分析,依據(jù)圖像的光照強(qiáng)度與分布特征,按照粗分類、細(xì)分類的順序,將鐵路軌道圖像分為四類,然后針對(duì)不同類型圖像設(shè)計(jì)不同的軌頂邊緣定位算法,極大的提高了整體的軌頂邊緣定位準(zhǔn)確率和算法的適應(yīng)性。2、提出基于相似度原理的對(duì)比算法。該方法在一幅圖像中截取分辨率與軌頂部分相同的一部分作為模板,然后遍歷全圖截取很多與模板同樣分辨率的部分進(jìn)行相似度計(jì)算,生成相似度曲線,最后根據(jù)相似度曲線的最小值確定圖像種類。該算法具有較強(qiáng)的穩(wěn)定性和魯棒性。3、通過(guò)理論分析直方圖均衡化,證明某些灰度值合并是導(dǎo)致圖像細(xì)節(jié)缺失的主要原因,并結(jié)合經(jīng)過(guò)閾值分割后圖像的背景部分和目標(biāo)部分,判斷合并的灰度值,最后在原圖像中對(duì)合并的灰度值對(duì)應(yīng)的像素進(jìn)行鄰域處理。該方法能夠有效降低傳統(tǒng)直方圖均衡化造成的細(xì)節(jié)缺失。4、通過(guò)對(duì)樣本庫(kù)進(jìn)行實(shí)驗(yàn)驗(yàn)證,表明本文提出的鐵路圖像分類和軌頂邊緣分類定位算法是有效的。
范宏[4]（2012）在《基于圖像的鐵路扣件缺陷檢測(cè)算法研究》文中認(rèn)為鐵路扣件是鐵路線路的重要部件,良好的扣件狀態(tài)是維系鐵路運(yùn)輸安全的重要保障,扣件缺失或斷裂會(huì)對(duì)鐵路行車安全形成巨大威脅甚至釀成重大交通事故。現(xiàn)階段,我國(guó)鐵路線路扣件狀態(tài)的檢測(cè)還主要采用人工沿鐵路目測(cè)的方式,但是這種人工目測(cè)方式效率低下,缺乏客觀性,檢測(cè)結(jié)果依賴于巡道工人的技術(shù)熟練程度。隨著我國(guó)鐵路運(yùn)輸向高速、重載方向發(fā)展,包括扣件缺陷在內(nèi)的線路缺陷日益增多,人工檢測(cè)扣件狀態(tài)已不能滿足現(xiàn)代鐵路運(yùn)輸安全的要求。因此,鐵路扣件狀態(tài)的自動(dòng)化檢測(cè)是鐵路事業(yè)發(fā)展必須面對(duì)的問題。當(dāng)今國(guó)際上普遍采用圖像處理技術(shù)實(shí)現(xiàn)扣件狀態(tài)的自動(dòng)檢測(cè)?；趫D像的扣件缺陷檢測(cè)技術(shù)可以提高檢測(cè)性能,減少檢測(cè)時(shí)間以保證更高頻率的線路檢測(cè),具有經(jīng)濟(jì)、高效、自動(dòng)化程度高、適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)。本文主要研究基于圖像處理技術(shù)的扣件缺陷檢測(cè)算法,主要工作如下：針對(duì)現(xiàn)有扣件定位算法的不足,設(shè)計(jì)了一種自適應(yīng)“十字交叉”法來(lái)定位扣件區(qū)域,即通過(guò)鋼軌下邊緣和軌枕中心線的交點(diǎn)來(lái)定位扣件區(qū)域,該算法能克服現(xiàn)有定位算法的不足,不受光照和線路曲線的影響,具有很強(qiáng)的魯棒性和穩(wěn)定性。介紹了模板匹配算法的概念和理論；根據(jù)我國(guó)所用扣件的特定形狀,設(shè)計(jì)了標(biāo)準(zhǔn)扣件模板,并利用模板匹配技術(shù)實(shí)現(xiàn)了對(duì)扣件目標(biāo)的精確提取；根據(jù)模板匹配系數(shù)實(shí)現(xiàn)扣件狀態(tài)的初步分類,大大降低了后續(xù)扣件狀態(tài)分類的工作難度和識(shí)別時(shí)間。闡述了Haar-like矩形特征的表示方法和特征值求取過(guò)程,并且引入積分圖像快速計(jì)算矩形特征,大大減少了計(jì)算大量矩形特征的運(yùn)算量,提高了分類器的訓(xùn)練和識(shí)別速度。針對(duì)扣件特定目標(biāo)引入了由單個(gè)矩形表示的矩形特征。設(shè)計(jì)了扣件狀態(tài)識(shí)別算法,具體包括基于AdaBoost算法的強(qiáng)分類器設(shè)計(jì)、基于單矩形特征的弱分類器設(shè)計(jì)、基于模板匹配系數(shù)的弱分類器設(shè)計(jì),實(shí)現(xiàn)了對(duì)扣件完好、丟失和斷裂三種狀態(tài)的識(shí)別。建立了針對(duì)扣件狀態(tài)識(shí)別的訓(xùn)練樣本庫(kù)和測(cè)試樣本庫(kù)。在matlab平臺(tái)上對(duì)扣件定位算法進(jìn)行了測(cè)試,程序?qū)崿F(xiàn)了分類器并對(duì)分類器進(jìn)行了訓(xùn)練和測(cè)試。實(shí)驗(yàn)表明,本文設(shè)計(jì)的基于圖像處理的扣件狀態(tài)識(shí)別算法能滿足實(shí)際應(yīng)用的要求。
侯昌銀[5]（2010）在《廈門東通道海底隧道土建結(jié)構(gòu)功能性檢測(cè)技術(shù)研究》文中進(jìn)行了進(jìn)一步梳理本文以中國(guó)大陸第一條海底隧道為依托,對(duì)廈門翔安海底隧道土建結(jié)構(gòu)功能性檢測(cè)技術(shù)進(jìn)行了研究,具有較強(qiáng)的工程實(shí)用價(jià)值,本文作了以下工作：（1）通過(guò)對(duì)一般性隧道結(jié)構(gòu)功能性檢測(cè)技術(shù)進(jìn)行了回顧,針對(duì)如空洞、襯砌裂損、鋼筋銹蝕等病害進(jìn)行了相應(yīng)的檢測(cè)技術(shù)的調(diào)研,包括檢測(cè)頻率和隧道各影響因素的定性的調(diào)研。（2）通過(guò)對(duì)海底隧道現(xiàn)場(chǎng)監(jiān)測(cè)數(shù)據(jù)的分析,現(xiàn)場(chǎng)初期支護(hù)、二襯滲漏水、裂縫、坍方情況的調(diào)研,找到了影響海底隧道結(jié)構(gòu)安全性影響的因素是：位移變異引起的凈空減小,坍方引起的空洞對(duì)結(jié)構(gòu)的影響、開裂的部位、開裂的深度、寬度對(duì)結(jié)構(gòu)安全性的影響,鋼筋銹蝕引起的承載力的下降,并針對(duì)這些影響因素提出了檢測(cè)方法。（3）隧道運(yùn)營(yíng)期影響結(jié)構(gòu)安全性的是混凝土的耐久性,通過(guò)對(duì)現(xiàn)場(chǎng)調(diào)研的混凝土保護(hù)層厚度,分別計(jì)算出了調(diào)研各斷面在內(nèi)側(cè)為碳化情況下的壽命和在外側(cè)氯離子侵蝕環(huán)境下各斷面的壽命情況,提出了鋼筋保護(hù)層厚度滿足在內(nèi)測(cè)2.5cm外側(cè)4.7cm情況下前30a不需要對(duì)鋼筋進(jìn)行檢測(cè)的結(jié)論。（4）針對(duì)前述的影響因素分析對(duì)整個(gè)海底隧道進(jìn)行了檢測(cè)區(qū)段分區(qū),并針對(duì)各區(qū)段的不同檢測(cè)內(nèi)容進(jìn)行了階段性分區(qū)。（5）隧道海域地段,由于海水強(qiáng)烈的滲透性和對(duì)鋼結(jié)構(gòu)的強(qiáng)烈腐蝕性,施工期間出現(xiàn)了較多的滲漏水,初期支護(hù)部分結(jié)構(gòu)已開始腐蝕,尤其是風(fēng)化深槽段,必將影響二次襯砌的安全性,在檢測(cè)時(shí)因特別注意,加強(qiáng)檢測(cè)的頻率。
Tom Hulegreen,張未[6]（2001）在《挪威國(guó)家鐵路管理局（Jernbaneverket）的多功能軌道檢查車》文中研究指明
二、挪威國(guó)家鐵路管理局(Jernbaneverket)的多功能軌道檢查車（論文開題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡(jiǎn)單簡(jiǎn)介論文所研究問題的基本概念和背景，再而簡(jiǎn)單明了地指出論文所要研究解決的具體問題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫法范例：
本文主要提出一款精簡(jiǎn)64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過(guò)程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁(yè)面大小,采用多級(jí)分層頁(yè)表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級(jí)頁(yè)表轉(zhuǎn)換過(guò)程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對(duì)象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對(duì)象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過(guò)主支變革、控制研究對(duì)象來(lái)發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過(guò)調(diào)查文獻(xiàn)來(lái)獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對(duì)研究對(duì)象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過(guò)具體的數(shù)字，使人們對(duì)研究對(duì)象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對(duì)某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來(lái)分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過(guò)創(chuàng)設(shè)一個(gè)與原型相似的模型來(lái)間接研究原型某種特性的一種形容方法。
三、挪威國(guó)家鐵路管理局(Jernbaneverket)的多功能軌道檢查車（論文提綱范文）
（1）基于機(jī)器視覺的鐵路軌道檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題的研究背景和意義 |
| 1.1.1 課題研究的背景 |
| 1.1.2 課題研究的意義 |
| 1.2 鐵路軌道檢測(cè)技術(shù)研究現(xiàn)狀綜述 |
| 1.2.1 國(guó)外研究現(xiàn)狀 |
| 1.2.2 國(guó)內(nèi)研究現(xiàn)狀 |
| 1.3 本文的主要研究?jī)?nèi)容 |
| 第2章 鐵路軌道檢測(cè)系統(tǒng)設(shè)計(jì) |
| 2.1 引言 |
| 2.2 鐵路軌道檢測(cè)技術(shù)研究 |
| 2.2.1 機(jī)器視覺概述與應(yīng)用 |
| 2.2.2 鐵路軌道檢測(cè)系統(tǒng)系統(tǒng)可行性 |
| 2.2.3 鐵路軌道檢測(cè)系統(tǒng)難點(diǎn)分析 |
| 2.3 鐵路軌道檢測(cè)系統(tǒng)設(shè)計(jì) |
| 2.3.1 鐵路軌道檢測(cè)系統(tǒng)原理 |
| 2.3.2 鐵路軌道檢測(cè)流程 |
| 2.4 本章小結(jié) |
| 第3章 鐵路軌道軌縫檢測(cè)算法研究 |
| 3.1 引言 |
| 3.2 鐵路軌道軌縫檢測(cè)算法流程 |
| 3.3 鐵路軌道軌縫圖像預(yù)處理 |
| 3.3.1 軌縫圖像ROI提取 |
| 3.3.2 軌縫圖像模型轉(zhuǎn)換 |
| 3.3.3 軌縫圖像降噪濾波 |
| 3.4 基于直方圖信息統(tǒng)計(jì)的軌縫判別 |
| 3.5 基于形態(tài)學(xué)的軌縫距離識(shí)別 |
| 3.5.1 軌縫圖像二值化 |
| 3.5.2 軌縫圖像形態(tài)學(xué)處理 |
| 3.5.3 軌縫區(qū)域標(biāo)定轉(zhuǎn)化 |
| 3.5.4 軌縫圖像檢測(cè)結(jié)果分析 |
| 3.6 本章小結(jié) |
| 第4章 鐵路軌道彈條檢測(cè)算法研究 |
| 4.1 引言 |
| 4.2 鐵軌彈條狀態(tài)檢測(cè)算法流程 |
| 4.3 彈條圖像預(yù)處理算法 |
| 4.3.1 彈條圖像模型轉(zhuǎn)換 |
| 4.3.2 彈條圖像二值化 |
| 4.4 待測(cè)彈條圖像定位和提取 |
| 4.4.1 待測(cè)彈條圖像彈條區(qū)域定位 |
| 4.4.2 待測(cè)彈條圖像邊緣提取 |
| 4.5 鐵軌彈條狀態(tài)檢測(cè) |
| 4.5.1 標(biāo)準(zhǔn)彈條和待測(cè)彈條形態(tài)學(xué)處理 |
| 4.5.2 彈條狀態(tài)分類與訓(xùn)練 |
| 4.5.3 基于邊緣掃描的彈條狀態(tài)檢測(cè) |
| 4.5.4 彈條狀態(tài)檢測(cè)結(jié)果分析 |
| 4.6 本章小結(jié) |
| 第5章 鐵路軌道檢測(cè)系統(tǒng)硬件和軟件設(shè)計(jì) |
| 5.1 引言 |
| 5.2 鐵路軌道檢測(cè)系統(tǒng)硬件設(shè)計(jì) |
| 5.2.1 采集設(shè)備 |
| 5.2.2 照明設(shè)備 |
| 5.2.3 處理設(shè)備 |
| 5.3 鐵路軌道檢測(cè)系統(tǒng)軟件設(shè)計(jì) |
| 5.3.1 編譯軟件 |
| 5.3.2 數(shù)據(jù)庫(kù) |
| 5.3.3 人機(jī)交互系統(tǒng)介紹 |
| 5.4 本章小結(jié) |
| 結(jié)論 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果 |
| 致謝 |
（2）基于機(jī)器視覺的鐵路扣件缺陷檢測(cè)方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 1 緒論 |
| 1.1 選題背景和研究意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 相關(guān)技術(shù)設(shè)備現(xiàn)狀 |
| 1.2.2 相關(guān)技術(shù)研究現(xiàn)狀 |
| 1.3 主要研究?jī)?nèi)容 |
| 1.4 論文的組織結(jié)構(gòu) |
| 2 圖像預(yù)處理 |
| 2.1 彩色圖像的灰度化 |
| 2.2 圖像的去噪 |
| 2.2.1 均值濾波器 |
| 2.2.2 高斯濾波器 |
| 2.2.3 中值濾波器 |
| 2.3 圖像的增強(qiáng) |
| 2.3.1 梯度銳化 |
| 2.3.2 拉普拉斯銳化 |
| 2.4 小結(jié) |
| 3 扣件區(qū)域定位 |
| 3.1 現(xiàn)有的扣件區(qū)域定位算法 |
| 3.2 本文的扣件區(qū)域定位算法 |
| 3.2.1 邊緣檢測(cè)方法概述及實(shí)現(xiàn) |
| 3.2.2 LSD直線提取概述及實(shí)現(xiàn) |
| 3.3 實(shí)驗(yàn)結(jié)果與分析 |
| 3.4 小結(jié) |
| 4 扣件缺陷不同狀態(tài)的識(shí)別分類 |
| 4.1 分類特征的提取 |
| 4.1.1 LBP特征 |
| 4.1.2 HOG特征 |
| 4.1.3 本文融合分層LBP和分層HOG的特征 |
| 4.2 SVM訓(xùn)練分類 |
| 4.2.1 SVM理論 |
| 4.2.2 多分類SVM |
| 4.3 實(shí)驗(yàn)及結(jié)果分析 |
| 4.4 小結(jié) |
| 5 扣件檢測(cè)系統(tǒng)設(shè)計(jì) |
| 5.1 系統(tǒng)硬件結(jié)構(gòu)及其功能 |
| 5.2 系統(tǒng)軟件設(shè)計(jì) |
| 5.2.1 開發(fā)軟件簡(jiǎn)介 |
| 5.2.2 軟件原型的實(shí)現(xiàn)與模塊介紹 |
| 5.3 小結(jié) |
| 結(jié)論 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀學(xué)位期間的研究成果 |
（3）鐵路圖像分類和軌頂邊緣定位算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 目錄 |
| 第1章 緒論 |
| 1.1 課題研究背景、意義 |
| 1.2 鋼軌缺陷檢測(cè)的國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 國(guó)內(nèi)研究現(xiàn)狀 |
| 1.2.2 國(guó)外研究現(xiàn)狀 |
| 1.2.3 鐵路圖像分類研究現(xiàn)狀 |
| 1.3 分類檢測(cè)算法流程 |
| 1.4 論文組織 |
| 1.4.1 本文研究?jī)?nèi)容 |
| 1.4.2 內(nèi)容章節(jié)安排 |
| 第2章 鐵路圖像分類 |
| 2.1 引言 |
| 2.2 常用相似度計(jì)算分類方法 |
| 2.2.1 直方圖匹配法 |
| 2.2.2 基于矩陣分解方法 |
| 2.3 鐵路多樣化圖像分類算法 |
| 2.3.1 鐵路軌道圖像分類原因 |
| 2.3.2 鐵路圖像種類及特征分析 |
| 2.3.3 已有的鐵路多樣化圖像分類 |
| 2.3.4 軌道圖像粗分類 |
| 2.3.5 軌道圖像細(xì)分類 |
| 2.4 本章小結(jié) |
| 第3章 鋼軌軌頂邊緣定位 |
| 3.1 引言 |
| 3.2 圖像增強(qiáng) |
| 3.2.1 灰度圖像 |
| 3.2.2 空間域圖像增強(qiáng) |
| 3.3 邊緣檢測(cè) |
| 3.3.1 圖像邊緣的特征及其定義 |
| 3.3.2 常用邊緣算子 |
| 3.3.3 圖像的二值化分割 |
| 3.4 霍夫變換(HOUGH TRANSFORM) |
| 3.4.1 霍夫變換直線檢測(cè) |
| 3.4.2 霍夫變換的參數(shù)修改 |
| 3.5 鋼軌軌頂分類定位算法 |
| 3.5.1 已有的軌頂定位研究工作 |
| 3.5.2 鋼軌軌頂邊緣定位算法 |
| 3.5.3 A類圖像軌頂邊緣定位算法 |
| 3.5.4 B類圖像軌頂邊緣定位算法 |
| 3.5.5 C類圖像軌頂邊緣定位算法 |
| 3.5.6 D類圖像軌頂邊緣定位算法 |
| 3.5.7 軌頂邊緣定位結(jié)果分析 |
| 3.6 本章小結(jié) |
| 總結(jié)與展望 |
| 4.1 總結(jié) |
| 4.2 研究展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間已發(fā)表或錄用的論文及科研成果 |
（4）基于圖像的鐵路扣件缺陷檢測(cè)算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 課題的研究背景及意義 |
| 1.2 國(guó)內(nèi)外相關(guān)現(xiàn)狀 |
| 1.2.1 國(guó)外研究現(xiàn)狀 |
| 1.2.2 國(guó)內(nèi)研究現(xiàn)狀 |
| 1.3 自動(dòng)巡道檢測(cè)系統(tǒng)框架 |
| 1.4 本文的工作及內(nèi)容安排 |
| 1.4.1 本文的主要研究?jī)?nèi)容 |
| 1.4.2 論文內(nèi)容章節(jié)安排 |
| 第2章 圖像預(yù)處理及扣件定位 |
| 2.1 引言 |
| 2.2 圖像預(yù)處理介紹 |
| 2.2.1 圖像的增強(qiáng) |
| 2.2.2 圖像邊緣檢測(cè) |
| 2.3.3 圖像的二值化 |
| 2.2.4 二值形態(tài)學(xué) |
| 2.3 扣件區(qū)域定位 |
| 2.3.1 已有的扣件定位研究工作 |
| 2.3.2 十字交叉扣件區(qū)域定位算法 |
| 2.4 扣件的精確定位 |
| 2.4.1 扣件特征增強(qiáng) |
| 2.4.2 扣件模板匹配 |
| 2.5 本章小結(jié) |
| 第3章 扣件狀態(tài)識(shí)別 |
| 3.1 引言 |
| 3.2 HAAR-LIKE矩形特征 |
| 3.2.1 Haar-like矩形特征的概述 |
| 3.2.2 本文采用的haar-like矩形特征 |
| 3.2.3 haar-like矩形特征的表示 |
| 3.2.4 利用積分圖快速計(jì)算矩形特征 |
| 3.3 扣件狀態(tài)分類器設(shè)計(jì) |
| 3.3.1 Adboost算法 |
| 3.4 基于ADABOOST算法的強(qiáng)分類器設(shè)計(jì) |
| 3.4.1 弱分類器的形式 |
| 3.4.2 弱分類器的設(shè)計(jì)步驟 |
| 3.4.3 強(qiáng)分類器的設(shè)計(jì) |
| 3.5 樹形分類器的設(shè)計(jì) |
| 3.5.1 決策樹理論 |
| 3.5.2 扣件狀態(tài)樹形分類器的設(shè)計(jì) |
| 3.6 本章小結(jié) |
| 第4章 實(shí)驗(yàn)及結(jié)果分析 |
| 4.1 引言 |
| 4.2 實(shí)驗(yàn)平臺(tái) |
| 4.3 樣本庫(kù) |
| 4.3.1 訓(xùn)練樣本庫(kù) |
| 4.3.2 測(cè)試圖像庫(kù) |
| 4.4 訓(xùn)練分類器 |
| 4.4.1 基于模板匹配系數(shù)的弱分類器訓(xùn)練 |
| 4.4.2 單個(gè)矩形特征值的弱分類器訓(xùn)練 |
| 4.4.3 基于Haar矩形特征的Adboost強(qiáng)分類器訓(xùn)練 |
| 4.5 實(shí)驗(yàn)結(jié)果分析 |
| 4.6 更多實(shí)驗(yàn)結(jié)果實(shí)例 |
| 4.7 小結(jié) |
| 總結(jié)與展望 |
| 5.1 本文總結(jié) |
| 5.2 研究展望 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間發(fā)表的論文及科研成果 |
（5）廈門東通道海底隧道土建結(jié)構(gòu)功能性檢測(cè)技術(shù)研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 概述 |
| 1.1 廈門海底隧道工程背景 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 主要研究?jī)?nèi)容及方法 |
| 第2章 一般隧道土建結(jié)構(gòu)功能性檢測(cè)技術(shù) |
| 2.1 一般隧道土建結(jié)構(gòu)安全性影響因素 |
| 2.1.1 安全性影響因素 |
| 2.2 一般隧道土建結(jié)構(gòu)檢測(cè)方法 |
| 2.2.1 現(xiàn)行檢測(cè)內(nèi)容及方法 |
| 2.2.2 安全性檢查判定指標(biāo) |
| 2.2.3 安全性檢查的頻率和方法 |
| 2.3 小結(jié) |
| 第3章 海底隧道土建結(jié)構(gòu)建設(shè)期影響因素分析 |
| 3.1 現(xiàn)場(chǎng)監(jiān)測(cè)結(jié)果分析 |
| 3.1.1 現(xiàn)場(chǎng)監(jiān)測(cè)判定依據(jù) |
| 3.1.2 左線監(jiān)測(cè)結(jié)果分析 |
| 3.1.3 右線監(jiān)測(cè)結(jié)果分析 |
| 3.1.4 服務(wù)洞監(jiān)測(cè)結(jié)果分析 |
| 3.2 現(xiàn)場(chǎng)調(diào)查結(jié)分析 |
| 3.2.1 初期支護(hù)開裂滲水調(diào)查及分析 |
| 3.2.2 初期支護(hù)變形異常規(guī)律與特點(diǎn) |
| 3.2.3 初期支護(hù)開裂、滲水規(guī)律與特點(diǎn) |
| 3.2.4 初期支護(hù)腐蝕性情況調(diào)查 |
| 3.2.5 隧道塌方與坍塌情況調(diào)查 |
| 3.2.6 現(xiàn)場(chǎng)二次襯砌開裂、滲漏水調(diào)研 |
| 3.3 影響因素分析 |
| 3.3.1 初期支護(hù)結(jié)構(gòu)變形異常與開裂原因 |
| 3.3.2 初期支護(hù)結(jié)構(gòu)滲水原因 |
| 3.3.3 銹蝕原因分析 |
| 3.4 檢測(cè)方法確定 |
| 3.4.1 鋼筋銹蝕相關(guān)檢測(cè) |
| 3.4.2 襯砌開裂檢測(cè) |
| 3.4.3 襯砌滲漏水檢測(cè) |
| 3.4.4 襯砌背后空洞檢測(cè) |
| 3.4.5 襯砌凈空檢測(cè) |
| 3.5 小結(jié) |
| 第4章 海底隧道土建結(jié)構(gòu)運(yùn)營(yíng)期影響因素分析 |
| 4.1 結(jié)構(gòu)耐久性分析 |
| 4.1.1 地下水情況 |
| 4.1.2 硫酸鹽等引起的混凝土腐蝕 |
| 4.1.3 混凝土碳化引起的鋼筋銹蝕 |
| 4.1.4 氯離子侵蝕引起鋼筋銹蝕 |
| 4.2 檢測(cè)方法確定 |
| 4.2.1 時(shí)間階段性劃分 |
| 4.2.2 檢測(cè)方法 |
| 4.3 小結(jié) |
| 第5章 廈門東通道海底隧道土建結(jié)構(gòu)檢測(cè)技術(shù) |
| 5.1 海底隧道檢測(cè)階段劃分 |
| 5.1.1 鋼筋銹蝕階段劃分及方法 |
| 5.1.2 凈空位移檢測(cè)階段劃分及方法 |
| 5.1.3 空洞檢測(cè)階段劃分及方法 |
| 5.2 海底隧道檢測(cè)區(qū)段劃分 |
| 5.2.1 左線隧道區(qū)段 |
| 5.2.2 右線隧道區(qū)段 |
| 5.2.3 服務(wù)隧道區(qū)段 |
| 5.2.4 海域段 |
| 5.3 小結(jié) |
| 第6章 結(jié)論 |
| 致謝 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間參加的科研項(xiàng)目 |
四、挪威國(guó)家鐵路管理局(Jernbaneverket)的多功能軌道檢查車（論文參考文獻(xiàn)）
- [1]基于機(jī)器視覺的鐵路軌道檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 尹丹. 燕山大學(xué), 2017(05)
- [2]基于機(jī)器視覺的鐵路扣件缺陷檢測(cè)方法研究[D]. 王珍珍. 蘭州交通大學(xué), 2016(04)
- [3]鐵路圖像分類和軌頂邊緣定位算法研究[D]. 丁銳. 西南交通大學(xué), 2013(11)
- [4]基于圖像的鐵路扣件缺陷檢測(cè)算法研究[D]. 范宏. 西南交通大學(xué), 2012(10)
- [5]廈門東通道海底隧道土建結(jié)構(gòu)功能性檢測(cè)技術(shù)研究[D]. 侯昌銀. 西南交通大學(xué), 2010(11)
- [6]挪威國(guó)家鐵路管理局（Jernbaneverket）的多功能軌道檢查車[J]. Tom Hulegreen,張未. 哈爾濱鐵道科技, 2001(04)
標(biāo)簽：分類器論文; 扣件論文; 邊緣提取論文; 機(jī)器視覺系統(tǒng)論文; 圖像融合論文;