●前言
第1章緒論1
1.1地鐵基礎設施檢測及意義1
1.2深度學習發展現狀2
1.3地鐵基礎設施檢測國內外研究現狀3
1.3.1鋼軌檢測國內外研究現狀3
1.3.2扣件檢測國內外研究現狀4
1.3.3受電弓檢測國內外研究現狀5
1.3.4接觸網檢測國內外研究現狀7
1.4本書主要內容8
參考文獻9
第2章圖像處理基礎13
2.1圖像濾波技術13
2.1.1盒式濾波13
2.1.2均值濾波14
2.1.3高斯濾波14
2.1.4中值濾波15
2.1.5雙邊濾波15
2.1.6引導濾波16
2.2圖像分割技術17
2.2.1傳統分割方法17
2.2.2智能分割方法19
2.3圖像邊緣檢測技術21
2.3.1微分邊緣檢測技術22
2.3.2基於小波變換的邊緣檢測技術23
2.3.3基於數學形態學的邊緣檢測技術24
2.3.4基於模糊學的邊緣檢測技術26
2.3.5基於神經網絡的邊緣檢測技術27
2.3.6基於遺傳算法的邊緣檢測技術27
2.4圖像特征提取技術28
2.5圖像增強技術32
2.5.1直方圖均衡算法33
2.5.2小波變換圖像增強算法34
2.5.3偏微分方程圖像增強算法34
2.5.4Retinex圖像增強算法35
2.6圖像視覺特征詞典技術36
2.6.1詞袋模型36
2.6.2高斯混合模型37
2.7本章小結39
參考文獻40
第3章基於圖像處理的碳滑板表面病害檢測42
3.1受電弓病害介紹42
3.1.1受電弓基本介紹42
3.1.2受電弓常見病害介紹43
3.2碳滑板邊緣檢測46
3.2.1圖像預處理46
3.2.2圖像邊緣檢測48
3.2.3圖像校正49
3.2.4磨耗邊緣提取49
3.3碳滑板病害識別51
3.3.1磨耗曲線提取51
3.3.2磨耗數學定義52
3.3.3實際案例分析54
3.4本章小結56
參考文獻56
第4章基於圖像處理的軌道線路扣件檢測57
4.1基於投影統計差的扣件區域的定位與分割57
4.1.1鋼軌區域定位58
4.1.2軌枕區域定位62
4.1.3扣件區域定位64
4.2基於DenseSIFT的扣件區域的特征提取68
4.2.1扣件DenseSIFT特征提取69
4.2.2基於空間金字塔分解的扣件視覺詞袋構建70
4.3扣件病害的分類和識別72
4.4本章小結76
參考文獻76
第5章基於圖像處理的軌道表面病害檢測78
5.1基於RGF和數字形態學的圖像增強78
5.1.1基於RGF的圖像增強79
5.1.2基於數學形態學的圖像增強80
5.2鋼軌表面剝離掉塊病害的檢測與分類81
5.2.1鋼軌表面剝離掉塊病害的定位與分割82
5.2.2鋼軌表面離散病害數據集與特征提取84
5.2.3基於SVM的鋼軌表面病害分類87
5.3鋼軌表面波磨病害的識別與評估90
5.3.1基於改進空間金字塔匹配模型的鋼軌波磨識別算法91
5.3.2鋼軌波磨周期估計94
5.3.3鋼軌波磨嚴重程度評估96
5.4本章小結97
參考文獻98
第6章基於3D重構的接觸線表面病害檢測100
6.1雙目立體視覺概述100
6.1.1相機成像模型100
6.1.2相機標定方法104
6.1.3立體成像理論106
6.2立體匹配算法107
6.2.1立體匹配概念107
6.2.2常見立體匹配算法110
6.3接觸線3D重構及病害分析113
6.3.1繫統搭建及標定113
6.3.2接觸線三維重建117
6.3.3接觸線病害分析121
6.4本章小結125
參考文獻125
第7章深度學習基礎126
7.1深度學習理論126
7.2卷積神經網絡127
7.2.1卷積神經網絡的結構128
7.2.2卷積神經網絡運算與求解130
7.2.3卷積神經網絡的特點133
7.2.4典型卷積網絡模型134
7.3本章小結138
參考文獻138
第8章基於深度學習的軌道扣件識別139
8.1扣件圖像的預處理139
8.1.1圖像旋轉139
8.1.2圖像鏡像140
8.1.3圖像加噪141
8.1.4圖像光照增強141
8.2基於VGGNet-16網絡的扣件檢測和識別142
8.2.1VGGNet-16網絡結構142
8.2.2VGGNet-16網絡訓練及測試結果144
8.3基於FasterR-CNN的扣件檢測和識別147
8.3.1目標檢測數據集制作147
8.3.2FasterR-CNN模型搭建148
8.3.3FasterR-CNN訓練及測試151
8.4本章小結154
參考文獻154
第9章基於深度學習的鋼軌表面和扣件病害多目標識別155
9.1鋼軌表面和扣件病害多目標檢測概述155
9.2鋼軌表面和扣件病害圖像的預處理158
9.3基於FasterR-CNN的鋼軌表面和扣件多目標病害識別159
9.3.1多目標病害檢測數據集制作160
9.3.2FasterR-CNN模型搭建、訓練及測試161
9.4基於YOLOv3算法的鋼軌表面和扣件多目標病害識別162
9.4.1YOLOv3網絡模型搭建及改進163
9.4.2改進YOLOv3網絡訓練及測試167
9.5本章小結169
參考文獻170
第10章接觸網懸掛部件的病害識別173
10.1待測絕緣子和各類螺栓的圖像分割174
10.1.1圖像預處理174
10.1.2圖像匹配算法175
10.1.3絕緣子與各類螺栓提取177
10.2基於圖像處理的接觸網懸掛病害檢測180
10.2.1基於SURF算法的特征提取181
10.2.2BOF模型181
10.2.3絕緣子和各類螺栓分類182
10.3基於AlexNet模型的待測目標分類檢測188
10.3.1圖像數據增強188
10.3.2AlexNet模型190
10.3.3基於AlexNet模型的待測目標分類191
10.4基於YOLOv3網絡的接觸網懸掛病害檢測192
10.5本章小結195
參考文獻195
第11章基於深度學習的受電弓表面病害識別197
11.1基於DCNN的受電弓表面缺陷圖像識別197
11.1.1實驗環境介紹198
11.1.2網絡深度對比與選擇198
11.1.3適用於受電弓表面缺陷圖像識別的DCNN模型203
11.1.4模型訓練與缺陷識別效果測試210
11.2基於FasterR-CNN的受電弓定位及病害分類212
11.2.1FasterR-CNN模型介紹及改進212
11.2.2實驗結果及分析218
11.3本章小結222
參考文獻222

基礎設施是城市軌道交通的重要組成部分，包括軌道線路中的鋼軌、扣件、接觸線、接觸懸掛和受電弓等，這些關鍵設備的可靠性和可用性直接關繫到整個軌道交通繫統的服役能力和安全行車。本書主要內容包括緒論、圖像處理基礎、基於圖像處理的碳滑板表面病害檢測、基於圖像處理的軌道線路扣件檢測、基於圖像處理的軌道表面病害檢測、基於3D重構的接觸線表面病害檢測、深度學習基礎、基於深度學習的軌道扣件識別、基於深度學習的鋼軌表面和扣件病害多目標識別、接觸網懸掛部件的病害識別和基於深度學習的受電弓表面病害識別等。