當(dāng)今中國(guó)鐵路行業(yè)高速發(fā)展,隨著運(yùn)輸效率的提高,列車(chē)數(shù)量也急劇增加,對(duì)機(jī)車(chē)(即列車(chē)車(chē)頭)的檢修和維護(hù)也成為鐵路列車(chē)正常運(yùn)營(yíng)的重要保障。當(dāng)前國(guó)內(nèi)機(jī)車(chē)維修點(diǎn)一般依靠人工進(jìn)行機(jī)車(chē)故障檢測(cè),而人工檢測(cè)的效率較低,工作人員易疲勞,有一定的危險(xiǎn)性,從而影響到機(jī)車(chē)的正常運(yùn)作。在鐵路機(jī)車(chē)運(yùn)輸?shù)母咚侔l(fā)展中,傳統(tǒng)的鐵路工作模式迫切需要實(shí)現(xiàn)自動(dòng)化、智能化、信息化管理。本文立足鐵路機(jī)車(chē)維修點(diǎn)的信息化管理需求,基于深度學(xué)習(xí)和圖像處理的方法,對(duì)機(jī)車(chē)側(cè)面的文字區(qū)域進(jìn)行多尺度多目標(biāo)的自動(dòng)提取,本文工作可作為后續(xù)識(shí)別及自動(dòng)化管理等信息處理工作的基礎(chǔ)。本文根據(jù)機(jī)車(chē)樣本實(shí)際情況,實(shí)現(xiàn)了文字區(qū)域精確定位,主要工作包括如下:(1)針對(duì)機(jī)車(chē)現(xiàn)場(chǎng)樣本特點(diǎn),設(shè)計(jì)了圖像預(yù)處理方法。由于鐵路現(xiàn)場(chǎng)機(jī)車(chē)樣本的特殊性,對(duì)于干擾因素較多的樣本圖片需要進(jìn)行預(yù)處理,去除雨水、泥沙等噪聲,如利用高斯濾波去掉樣本圖像的噪聲。對(duì)于夜間樣本需要對(duì)樣本圖片進(jìn)行增強(qiáng),由于夜間樣本處理后還存在光斑影響,需要使用濾波方法進(jìn)行去噪;(2)對(duì)機(jī)車(chē)樣本文字區(qū)域進(jìn)行基于卷積神經(jīng)網(wǎng)絡(luò)的粗定位。采用自定義結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)來(lái)提取預(yù)處理后的樣本圖片中的文字區(qū)域的特征,經(jīng)過(guò)訓(xùn)練學(xué)習(xí)...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
第2章 相關(guān)理論基礎(chǔ)
    2.1 彩色圖像灰度化
    2.2 RETINEX圖像增強(qiáng)算法
    2.3 濾波算法
        2.3.1 高斯濾波
        2.3.2 中值濾波
    2.4 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.4.2 卷積運(yùn)算
        2.4.3 池化運(yùn)算
        2.4.4 權(quán)值的初始化
    2.5 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)車(chē)文字區(qū)域粗定位
    3.1 樣本圖像預(yù)處理
        3.1.1 夜間樣本的處理
        3.1.2 高斯濾波處理
        3.1.3 中值濾波處理
    3.2 準(zhǔn)備訓(xùn)練樣本
        3.2.1 準(zhǔn)備正負(fù)樣本
        3.2.2 生成訓(xùn)練樣本
    3.3 卷積網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
    3.4 特征提取
    3.5 標(biāo)記目標(biāo)區(qū)域
        3.5.1 目標(biāo)區(qū)域標(biāo)記方法
        3.5.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        3.5.3 基于二分類(lèi)的目標(biāo)區(qū)域標(biāo)記
        3.5.4 基于多分類(lèi)的目標(biāo)區(qū)域標(biāo)記
    3.6 本章小結(jié)
第4章 基于粗定位區(qū)域網(wǎng)格的區(qū)域合并算法
    4.1 區(qū)域合并算法基本思想
    4.2 縱向合并小標(biāo)記區(qū)域
    4.3 橫向合并大標(biāo)記區(qū)域
    4.4 本章小結(jié)
第5章 檢測(cè)模塊設(shè)計(jì)及算法結(jié)果分析
    5.1 實(shí)驗(yàn)平臺(tái)與樣本來(lái)源
        5.1.1 實(shí)驗(yàn)平臺(tái)
        5.1.2 實(shí)驗(yàn)樣本介紹
        5.1.3 正負(fù)樣本的選取
    5.2 檢測(cè)模塊設(shè)計(jì)
        5.2.1 系統(tǒng)結(jié)構(gòu)
        5.2.2 算法測(cè)試
    5.3 不同分辨率訓(xùn)練樣本結(jié)果的比較
    5.4 不同網(wǎng)絡(luò)結(jié)構(gòu)的結(jié)果對(duì)比
    5.5 與傳統(tǒng)圖像處理的方法進(jìn)行比較
    5.6 與FAST R-CNN的方法進(jìn)行比較
    5.7 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
附錄A 在校期間參與項(xiàng)目及科研成果
    1 在校期間參與項(xiàng)目
    2 軟件著作權(quán)
致謝



本文編號(hào)：3915239