典型恶劣天气条件下高铁周界入侵目标检测——基于深度学习的图像处理方法

声明

致谢

1 绪论

1.1研究背景

1.2研究目的及意义

1.3国内外研究现状

1.3.1高铁周界入侵图像检测分析方法研究及技术应用现状

1.3.2图像去雾模型方法研究现状

1.3.3图像去雨模型方法研究现状

1.3.4基于深度学习的目标智能检测分析方法研究现状

1.4本文研究内容与组织结构

2 相关基础理论方法和铁路场景数据集构建

2.1相关基础理论方法

2.1.1目标检测框架

2.1.2图像增强基本模块

2.1.3多尺度

2.1.4注意力机制

2.2铁路场景数据集构建

2.2.1 数据集框架搭建

2.2.2 数据采集

2.2.3 数据标注

2.2.4 数据集目标大小统计

2.3本章小结

3 基于改进残差块多采样融合的高铁周界图像去雾方法

3.1图像去雾原理

3.2高铁周界图像去雾模型研究

3.2.1多采样融合网络结构设计

3.2.2改进残差块

3.2.3参数配置

3.2.4组合损失函数

3.2.5数学表达与模型优化

3.3实验与结果分析

3.3.1实验数据

3.3.2图像质量评价指标

3.3.3实验结果

3.3.4损失函数消融实验

3.4本章小结

4 基于跨尺度融合的全卷积高铁周界图像去雨方法

4.1图像去雨原理

4.2高铁周界图像去雨模型研究

4.2.1跨尺度融合网络结构设计

4.2.2 参数配置

4.2.3组合损失函数

4.3实验与验证

4.3.1实验数据

4.3.2合成铁路雨图数据集

4.3.3组合损失函数消融实验

4.3.4算法加速实验

4.3.5实验与结果分析

4.4本章小结

5 基于先验框聚类与注意力机制的高铁周界入侵小目标检测方法

5.1铁路周界入侵小目标检测模型

5.1.1 anchor先验框聚类

5.1.2数据扩增

5.1.3 YOLO-SE算法结构

5.1.4组合损失函数

5.2目标检测评价指标

5.3 消融实验

5.3.1 注意力机制模块对比

5.3.2聚类anchor结果对比

5.3.3数据扩增对比

5.4 实验与验证

5.4.1铁路周界入侵实验数据

5.4.2参数设计

5.4.3实验与结果分析

5.5本章小结

6 典型恶劣天气条件下高铁周界入侵检测集成模型

6.1雾天条件下的高铁周界入侵检测集成算法

6.1.1雾天集成算法结构

6.1.2实验对比

6.2雨天条件下的高铁周界入侵检测集成算法

6.2.1 雨天集成算法结构

6.2.2 实验对比

6.3本章小结

7 总结与展望

7.1研究结论与创新点

7.2研究展望

参考文献

作者简历及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