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。本书主要内容包括绪论、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。
本书可以作为城市轨道交通、轨道交通系统安全保障、自动化、计算机、人工智能、机电系统健康管理专业的研究生以及人工智能和轨道交通专业高年级本科生的参考用书，也可作为轨道交通行业技术人员及相关科研人员的参考用书。

前言
第1章 绪论
1.1 地铁基础设施检测及意义
1.2 深度学习发展现状
1.3 地铁基础设施检测国内外研究现状
1.3.1 钢轨检测国内外研究现状
1.3.2 扣件检测国内外研究现状
1.3.3 受电弓检测国内外研究现状
1.3.4 接触网检测国内外研究现状
1.4 本书主要内容
参考文献
第2章 图像处理基础
2.1 图像滤波技术
2.1.1 盒式滤波
2.1.2 均值滤波
2.1.3 高斯滤波
2.1.4 中值滤波
2.1.5 双边滤波
2.1.6 引导滤波
2.2 图像分割技术
2.2.1 传统分割方法
2.2.2 智能分割方法
2.3 图像边缘检测技术
2.3.1 微分边缘检测技术
2.3.2 基于小波变换的边缘检测技术
2.3.3 基于数学形态学的边缘检测技术
2.3.4 基于模糊学的边缘检测技术
2.3.5 基于神经网络的边缘检测技术
2.3.6 基于遗传算法的边缘检测技术
2.4 图像特征提取技术
2.5 图像增强技术
2.5.1 直方图均衡算法
2.5.2 小波变换图像增强算法
2.5.3 偏微分方程图像增强算法
2.5.4 Retinex图像增强算法
2.6 图像视觉特征词典技术
2.6.1 词袋模型
2.6.2 高斯混合模型
2.7 本章小结
参考文献
第3章 基于图像处理的碳滑板表面病害检测
3.1 受电弓病害介绍
3.1.1 受电弓基本介绍
3.1.2 受电弓常见病害介绍
3.2 碳滑板边缘检测
3.2.1 图像预处理
3.2.2 图像边缘检测
3.2.3 图像校正
3.2.4 磨耗边缘提取
3.3 碳滑板病害识别
3.3.1 磨耗曲线提取
3.3.2 磨耗数学定义
3.3.3 实际案例分析
3.4 本章小结
参考文献
第4章 基于图像处理的轨道线路扣件检测
4.1 基于投影统计差的扣件区域的定位与分割
4.1.1 钢轨区域定位
4.1.2 轨枕区域定位
4.1.3 扣件区域定位
4.2 基于Dense SIFT的扣件区域的特征提取
4.2.1 扣件Dense SIFT特征提取
4.2.2 基于空间金字塔分解的扣件视觉词袋构建
4.3 扣件病害的分类和识别
4.4 本章小结
参考文献
第5章 基于图像处理的轨道表面病害检测
5.1 基于RGF和数字形态学的图像增强
5.1.1 基于RGF的图像增强
5.1.2 基于数学形态学的图像增强
5.2 钢轨表面剥离掉块病害的检测与分类
5.2.1 钢轨表面剥离掉块病害的定位与分割
5.2.2 钢轨表面离散病害数据集与特征提取
5.2.3 基于SVM的钢轨表面病害分类
5.3 钢轨表面波磨病害的识别与评估
5.3.1 基于改进空间金字塔匹配模型的钢轨波磨识别算法
5.3.2 钢轨波磨周期估计
5.3.3 钢轨波磨严重程度评估
5.4 本章小结
参考文献
第6章 基于3D重构的接触线表面病害检测
6.1 双目立体视觉概述
6.1.1 相机成像模型
6.1.2 相机标定方法
6.1.3 立体成像理论
6.2 立体匹配算法
6.2.1 立体匹配概念
6.2.2 常见立体匹配算法
6.3 接触线3D重构及病害分析
6.3.1 系统搭建及标定
6.3.2 接触线三维重建
6.3.3 接触线病害分析
6.4 本章小结
参考文献
第7章 深度学习基础
7.1 深度学习理论
7.2 卷积神经网络
7.2.1 卷积神经网络的结构
7.2.2 卷积神经网络运算与求解
7.2.3 卷积神经网络的特点
7.2.4 典型卷积网络模型
7.3 本章小结
参考文献
第8章 基于深度学习的轨道扣件识别
8.1 扣件图像的预处理
8.1.1 图像旋转
8.1.2 图像镜像
8.1.3 图像加噪
8.1.4 图像光照增强
8.2 基于VGGNet-16网络的扣件检测和识别
8.2.1 VGGNet-16网络结构
8.2.2 VGGNet-16网络训练及测试结果
8.3 基于Faster R-CNN的扣件检测和识别
8.3.1 目标检测数据集制作
8.3.2 Faster R-CNN模型搭建
8.3.3 Faster R-CNN训练及测试
8.4 本章小结
参考文献
第9章 基于深度学习的钢轨表面和扣件病害多目标识别
9.1 钢轨表面和扣件病害多目标检测概述
9.2 钢轨表面和扣件病害图像的预处理
9.3 基于Faster R-CNN的钢轨表面和扣件多目标病害识别
9.3.1 多目标病害检测数据集制作
9.3.2 Faster R-CNN模型搭建、训练及测试
9.4 基于YOLOv3算法的钢轨表面和扣件多目标病害识别
9.4.1 YOLOv3网络模型搭建及改进
9.4.2 改进YOLOv3网络训练及测试
9.5 本章小结
参考文献
第10章 接触网悬挂部件的病害识别
10.1 待测绝缘子和各类螺栓的图像分割
10.1.1 图像预处理
10.1.2 图像匹配算法
10.1.3 绝缘子与各类螺栓提取
10.2 基于图像处理的接触网悬挂病害检测
10.2.1 基于SURF算法的特征提取
10.2.2 BOF模型
10.2.3 绝缘子和各类螺栓分类
10.3 基于AlexNe