一、挪威国家铁路管理局(Jernbaneverket)的多功能轨道检查车（论文文献综述）
尹丹[1]（2017）在《基于机器视觉的铁路轨道检测系统设计与实现》文中研究表明近年来,我国交通运输业持续发展,技术革新和经济需求推动了高速铁路快速发展,铁路轨道铺设量和里程数不断增加,同时铁路轨道的日常检测工作负担成几何级数增长,目前我国的铁路轨道检测仍然保留在人工巡检阶段,稳定性差,漏检率高,另一方面对铁路巡检人员安全存在较大隐患。随着科技进步,自动化程度的提高,铁路轨道检测必定会向着自动化、智能化的实时检测趋势发展。机器视觉技术高速发展,已经在诸多领域深入应用,例如医疗、制造、安全、军事等,并且取得了良好的效果。本文提出了一种基于机器视觉的铁路轨道检测系统,重点检测铁路轨道轨缝距离和铁轨弹条的缺失,利用工业相机的高时滞性和图像处理技术的高精确性来代替人工巡视检测,同时具有可靠性高、数据留存和适用性广等特点。针对秦皇岛港管铁路的铺设特点和铁轨特征,提出了一套适应于秦皇岛港管铁路轨道的检测算法。在铁路轨道轨缝检测算法中,将采集图片经过预处理后,通过直方图统计信息进行判断,对疑似存在铁路轨缝的图片进行形态学处理,经标定进行转化为真实轨缝数据进行判别;在铁路轨道弹条检测算法中,将标准弹条图像进行边缘提取和形态学处理,然后进行分类和训练,最后设计了一种基于边缘扫描的弹条状态检测算法进行模式识别,判断出检测图像弹条状态。本文介绍了检测系统的硬件设备组成,采集系统通过实时采集图片传输至处理系统,实现在线处理和数据保存。同时也介绍了检测系统算法编译环境和软件界面的基本功能。经过大量现场采集数据的处理,验证了检测算法和系统的准确性,同时对同领域类似检测系统有一定借鉴价值。
王珍珍[2]（2016）在《基于机器视觉的铁路扣件缺陷检测方法研究》文中认为近年来,由于列车向高速、重载的方向迅速发展,因此,对铁路线路的维护工作也提出了更高的要求。传统的人工检修方法对于当今现代化铁路安全自动维护的需求而言已经过时。现场数据调查可知,一旦铁路扣件缺陷连续存在3个以上就有可能导致列车脱轨事故的发生。然而,由于技术的欠缺,目前,在现场大多数路段对扣件缺陷的检测方法仍旧需要依靠工人沿线路巡查,该方法已不能满足定期检修的需要。另外,工人的安全也不能得到有效的保障。因此,该方法已无法保障为列车的高速运行提供一个安全可靠的线路环境。在此种环境下,研发一种可靠、通用的自动对铁路扣件缺陷检测的方法就显得尤为重要。针对现有铁路扣件缺陷检测方法存在的不足,本文在机器视觉和图像处理的基础上,初步实现了扣件缺陷的自动检测与分类,并设计了基于机器视觉的铁路扣件缺陷检测系统的软件界面平台。首先,对获取的帧图像进行预处理,对灰度图像进行灰度化,减少图像的信息量。通过对图像去噪和增强处理,减少了图像传输过程中对图片质量的影响,提高图像的清晰度与对比度。针对扣件定位差的问题,利用LSD（Line Segment Detector,直线提取）算法实现扣件枕肩位置的准确定位,结合图像的边缘特征图实现扣件钢轨区域的准确定位,利用钢轨边缘位置与枕肩位置的结构信息关系,对扣件区域实现最终的准确定位。最后,利用融合分层LBP（Local Binary Pattern,局部二值模式）和分层HOG（Histogram of Oriented Gradient,方向梯度直方图）特征提取算法对视频流中定位后的各类扣件提取特有的特征,并将此特征数据作为扣件分类器训练的依据。基于二分类的SVM（Support Vector Machine,支持向量机）分类器对扣件缺陷进行准确分类。引用了先进的一对一特征的分类方法进行了SVM离线训练,基于“投票法”的思想实现在线对扣件缺陷的准确分类。通过选取大量的正负样本进行仿真实验,本方法有效提高了系统的识别分类的准确率。设计的铁路扣件缺陷监测系统的软件界面平台,其操作内容有:登录、视频采集、存储、定位、缺陷检测识别和报警管理等六个模块。当监控窗口中出现缺陷扣件时,能够自动地对其进行检测与分类,同时把分类结果通过无线传输系统发送到工务段,并将其作为其维护的重要依据。
丁锐[3]（2013）在《铁路图像分类和轨顶边缘定位算法研究》文中研究表明随着铁路运输的快速发展,铁路安全运营得到业界更多关注。轨道关键设备,如钢轨、扣件、轨枕等的安全状况直接决定着铁路的安全运营。随着我国高速、重载铁路的快速发展,人工巡检已经难以满足现代铁路运营安全的要求。反观当今国际上普遍采用图像处理技术来实现铁路轨道的自动检测,不仅检测效率高,而且经济、安全、实用性强。近年来突飞猛进的计算机软硬件技术,为自动化检测提供了更加广阔的应用空间。因此,我国必须紧跟国际趋势,因地制宜,发展适合本国铁路状况的自动化检测系统。本文针对图像处理算法较强的适应性这一特点进行研究,主要工作如下：1、对铁路图像进行特征分析,依据图像的光照强度与分布特征,按照粗分类、细分类的顺序,将铁路轨道图像分为四类,然后针对不同类型图像设计不同的轨顶边缘定位算法,极大的提高了整体的轨顶边缘定位准确率和算法的适应性。2、提出基于相似度原理的对比算法。该方法在一幅图像中截取分辨率与轨顶部分相同的一部分作为模板,然后遍历全图截取很多与模板同样分辨率的部分进行相似度计算,生成相似度曲线,最后根据相似度曲线的最小值确定图像种类。该算法具有较强的稳定性和鲁棒性。3、通过理论分析直方图均衡化,证明某些灰度值合并是导致图像细节缺失的主要原因,并结合经过阈值分割后图像的背景部分和目标部分,判断合并的灰度值,最后在原图像中对合并的灰度值对应的像素进行邻域处理。该方法能够有效降低传统直方图均衡化造成的细节缺失。4、通过对样本库进行实验验证,表明本文提出的铁路图像分类和轨顶边缘分类定位算法是有效的。
范宏[4]（2012）在《基于图像的铁路扣件缺陷检测算法研究》文中认为铁路扣件是铁路线路的重要部件,良好的扣件状态是维系铁路运输安全的重要保障,扣件缺失或断裂会对铁路行车安全形成巨大威胁甚至酿成重大交通事故。现阶段,我国铁路线路扣件状态的检测还主要采用人工沿铁路目测的方式,但是这种人工目测方式效率低下,缺乏客观性,检测结果依赖于巡道工人的技术熟练程度。随着我国铁路运输向高速、重载方向发展,包括扣件缺陷在内的线路缺陷日益增多,人工检测扣件状态已不能满足现代铁路运输安全的要求。因此,铁路扣件状态的自动化检测是铁路事业发展必须面对的问题。当今国际上普遍采用图像处理技术实现扣件状态的自动检测。基于图像的扣件缺陷检测技术可以提高检测性能,减少检测时间以保证更高频率的线路检测,具有经济、高效、自动化程度高、适应能力强等优点。本文主要研究基于图像处理技术的扣件缺陷检测算法,主要工作如下：针对现有扣件定位算法的不足,设计了一种自适应“十字交叉”法来定位扣件区域,即通过钢轨下边缘和轨枕中心线的交点来定位扣件区域,该算法能克服现有定位算法的不足,不受光照和线路曲线的影响,具有很强的鲁棒性和稳定性。介绍了模板匹配算法的概念和理论；根据我国所用扣件的特定形状,设计了标准扣件模板,并利用模板匹配技术实现了对扣件目标的精确提取；根据模板匹配系数实现扣件状态的初步分类,大大降低了后续扣件状态分类的工作难度和识别时间。阐述了Haar-like矩形特征的表示方法和特征值求取过程,并且引入积分图像快速计算矩形特征,大大减少了计算大量矩形特征的运算量,提高了分类器的训练和识别速度。针对扣件特定目标引入了由单个矩形表示的矩形特征。设计了扣件状态识别算法,具体包括基于AdaBoost算法的强分类器设计、基于单矩形特征的弱分类器设计、基于模板匹配系数的弱分类器设计,实现了对扣件完好、丢失和断裂三种状态的识别。建立了针对扣件状态识别的训练样本库和测试样本库。在matlab平台上对扣件定位算法进行了测试,程序实现了分类器并对分类器进行了训练和测试。实验表明,本文设计的基于图像处理的扣件状态识别算法能满足实际应用的要求。
侯昌银[5]（2010）在《厦门东通道海底隧道土建结构功能性检测技术研究》文中进行了进一步梳理本文以中国大陆第一条海底隧道为依托,对厦门翔安海底隧道土建结构功能性检测技术进行了研究,具有较强的工程实用价值,本文作了以下工作：（1）通过对一般性隧道结构功能性检测技术进行了回顾,针对如空洞、衬砌裂损、钢筋锈蚀等病害进行了相应的检测技术的调研,包括检测频率和隧道各影响因素的定性的调研。（2）通过对海底隧道现场监测数据的分析,现场初期支护、二衬渗漏水、裂缝、坍方情况的调研,找到了影响海底隧道结构安全性影响的因素是：位移变异引起的净空减小,坍方引起的空洞对结构的影响、开裂的部位、开裂的深度、宽度对结构安全性的影响,钢筋锈蚀引起的承载力的下降,并针对这些影响因素提出了检测方法。（3）隧道运营期影响结构安全性的是混凝土的耐久性,通过对现场调研的混凝土保护层厚度,分别计算出了调研各断面在内侧为碳化情况下的寿命和在外侧氯离子侵蚀环境下各断面的寿命情况,提出了钢筋保护层厚度满足在内测2.5cm外侧4.7cm情况下前30a不需要对钢筋进行检测的结论。（4）针对前述的影响因素分析对整个海底隧道进行了检测区段分区,并针对各区段的不同检测内容进行了阶段性分区。（5）隧道海域地段,由于海水强烈的渗透性和对钢结构的强烈腐蚀性,施工期间出现了较多的渗漏水,初期支护部分结构已开始腐蚀,尤其是风化深槽段,必将影响二次衬砌的安全性,在检测时因特别注意,加强检测的频率。
Tom Hulegreen,张未[6]（2001）在《挪威国家铁路管理局（Jernbaneverket）的多功能轨道检查车》文中研究指明
二、挪威国家铁路管理局(Jernbaneverket)的多功能轨道检查车（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、挪威国家铁路管理局(Jernbaneverket)的多功能轨道检查车（论文提纲范文）
（1）基于机器视觉的铁路轨道检测系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景和意义 |
| 1.1.1 课题研究的背景 |
| 1.1.2 课题研究的意义 |
| 1.2 铁路轨道检测技术研究现状综述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 铁路轨道检测系统设计 |
| 2.1 引言 |
| 2.2 铁路轨道检测技术研究 |
| 2.2.1 机器视觉概述与应用 |
| 2.2.2 铁路轨道检测系统系统可行性 |
| 2.2.3 铁路轨道检测系统难点分析 |
| 2.3 铁路轨道检测系统设计 |
| 2.3.1 铁路轨道检测系统原理 |
| 2.3.2 铁路轨道检测流程 |
| 2.4 本章小结 |
| 第3章 铁路轨道轨缝检测算法研究 |
| 3.1 引言 |
| 3.2 铁路轨道轨缝检测算法流程 |
| 3.3 铁路轨道轨缝图像预处理 |
| 3.3.1 轨缝图像ROI提取 |
| 3.3.2 轨缝图像模型转换 |
| 3.3.3 轨缝图像降噪滤波 |
| 3.4 基于直方图信息统计的轨缝判别 |
| 3.5 基于形态学的轨缝距离识别 |
| 3.5.1 轨缝图像二值化 |
| 3.5.2 轨缝图像形态学处理 |
| 3.5.3 轨缝区域标定转化 |
| 3.5.4 轨缝图像检测结果分析 |
| 3.6 本章小结 |
| 第4章 铁路轨道弹条检测算法研究 |
| 4.1 引言 |
| 4.2 铁轨弹条状态检测算法流程 |
| 4.3 弹条图像预处理算法 |
| 4.3.1 弹条图像模型转换 |
| 4.3.2 弹条图像二值化 |
| 4.4 待测弹条图像定位和提取 |
| 4.4.1 待测弹条图像弹条区域定位 |
| 4.4.2 待测弹条图像边缘提取 |
| 4.5 铁轨弹条状态检测 |
| 4.5.1 标准弹条和待测弹条形态学处理 |
| 4.5.2 弹条状态分类与训练 |
| 4.5.3 基于边缘扫描的弹条状态检测 |
| 4.5.4 弹条状态检测结果分析 |
| 4.6 本章小结 |
| 第5章 铁路轨道检测系统硬件和软件设计 |
| 5.1 引言 |
| 5.2 铁路轨道检测系统硬件设计 |
| 5.2.1 采集设备 |
| 5.2.2 照明设备 |
| 5.2.3 处理设备 |
| 5.3 铁路轨道检测系统软件设计 |
| 5.3.1 编译软件 |
| 5.3.2 数据库 |
| 5.3.3 人机交互系统介绍 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（2）基于机器视觉的铁路扣件缺陷检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 相关技术设备现状 |
| 1.2.2 相关技术研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文的组织结构 |
| 2 图像预处理 |
| 2.1 彩色图像的灰度化 |
| 2.2 图像的去噪 |
| 2.2.1 均值滤波器 |
| 2.2.2 高斯滤波器 |
| 2.2.3 中值滤波器 |
| 2.3 图像的增强 |
| 2.3.1 梯度锐化 |
| 2.3.2 拉普拉斯锐化 |
| 2.4 小结 |
| 3 扣件区域定位 |
| 3.1 现有的扣件区域定位算法 |
| 3.2 本文的扣件区域定位算法 |
| 3.2.1 边缘检测方法概述及实现 |
| 3.2.2 LSD直线提取概述及实现 |
| 3.3 实验结果与分析 |
| 3.4 小结 |
| 4 扣件缺陷不同状态的识别分类 |
| 4.1 分类特征的提取 |
| 4.1.1 LBP特征 |
| 4.1.2 HOG特征 |
| 4.1.3 本文融合分层LBP和分层HOG的特征 |
| 4.2 SVM训练分类 |
| 4.2.1 SVM理论 |
| 4.2.2 多分类SVM |
| 4.3 实验及结果分析 |
| 4.4 小结 |
| 5 扣件检测系统设计 |
| 5.1 系统硬件结构及其功能 |
| 5.2 系统软件设计 |
| 5.2.1 开发软件简介 |
| 5.2.2 软件原型的实现与模块介绍 |
| 5.3 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（3）铁路图像分类和轨顶边缘定位算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 课题研究背景、意义 |
| 1.2 钢轨缺陷检测的国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 铁路图像分类研究现状 |
| 1.3 分类检测算法流程 |
| 1.4 论文组织 |
| 1.4.1 本文研究内容 |
| 1.4.2 内容章节安排 |
| 第2章 铁路图像分类 |
| 2.1 引言 |
| 2.2 常用相似度计算分类方法 |
| 2.2.1 直方图匹配法 |
| 2.2.2 基于矩阵分解方法 |
| 2.3 铁路多样化图像分类算法 |
| 2.3.1 铁路轨道图像分类原因 |
| 2.3.2 铁路图像种类及特征分析 |
| 2.3.3 已有的铁路多样化图像分类 |
| 2.3.4 轨道图像粗分类 |
| 2.3.5 轨道图像细分类 |
| 2.4 本章小结 |
| 第3章 钢轨轨顶边缘定位 |
| 3.1 引言 |
| 3.2 图像增强 |
| 3.2.1 灰度图像 |
| 3.2.2 空间域图像增强 |
| 3.3 边缘检测 |
| 3.3.1 图像边缘的特征及其定义 |
| 3.3.2 常用边缘算子 |
| 3.3.3 图像的二值化分割 |
| 3.4 霍夫变换(HOUGH TRANSFORM) |
| 3.4.1 霍夫变换直线检测 |
| 3.4.2 霍夫变换的参数修改 |
| 3.5 钢轨轨顶分类定位算法 |
| 3.5.1 已有的轨顶定位研究工作 |
| 3.5.2 钢轨轨顶边缘定位算法 |
| 3.5.3 A类图像轨顶边缘定位算法 |
| 3.5.4 B类图像轨顶边缘定位算法 |
| 3.5.5 C类图像轨顶边缘定位算法 |
| 3.5.6 D类图像轨顶边缘定位算法 |
| 3.5.7 轨顶边缘定位结果分析 |
| 3.6 本章小结 |
| 总结与展望 |
| 4.1 总结 |
| 4.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间已发表或录用的论文及科研成果 |
（4）基于图像的铁路扣件缺陷检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题的研究背景及意义 |
| 1.2 国内外相关现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 自动巡道检测系统框架 |
| 1.4 本文的工作及内容安排 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 论文内容章节安排 |
| 第2章 图像预处理及扣件定位 |
| 2.1 引言 |
| 2.2 图像预处理介绍 |
| 2.2.1 图像的增强 |
| 2.2.2 图像边缘检测 |
| 2.3.3 图像的二值化 |
| 2.2.4 二值形态学 |
| 2.3 扣件区域定位 |
| 2.3.1 已有的扣件定位研究工作 |
| 2.3.2 十字交叉扣件区域定位算法 |
| 2.4 扣件的精确定位 |
| 2.4.1 扣件特征增强 |
| 2.4.2 扣件模板匹配 |
| 2.5 本章小结 |
| 第3章 扣件状态识别 |
| 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 利用积分图快速计算矩形特征 |
| 3.3 扣件状态分类器设计 |
| 3.3.1 Adboost算法 |
| 3.4 基于ADABOOST算法的强分类器设计 |
| 3.4.1 弱分类器的形式 |
| 3.4.2 弱分类器的设计步骤 |
| 3.4.3 强分类器的设计 |
| 3.5 树形分类器的设计 |
| 3.5.1 决策树理论 |
| 3.5.2 扣件状态树形分类器的设计 |
| 3.6 本章小结 |
| 第4章 实验及结果分析 |
| 4.1 引言 |
| 4.2 实验平台 |
| 4.3 样本库 |
| 4.3.1 训练样本库 |
| 4.3.2 测试图像库 |
| 4.4 训练分类器 |
| 4.4.1 基于模板匹配系数的弱分类器训练 |
| 4.4.2 单个矩形特征值的弱分类器训练 |
| 4.4.3 基于Haar矩形特征的Adboost强分类器训练 |
| 4.5 实验结果分析 |
| 4.6 更多实验结果实例 |
| 4.7 小结 |
| 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
（5）厦门东通道海底隧道土建结构功能性检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 概述 |
| 1.1 厦门海底隧道工程背景 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容及方法 |
| 第2章 一般隧道土建结构功能性检测技术 |
| 2.1 一般隧道土建结构安全性影响因素 |
| 2.1.1 安全性影响因素 |
| 2.2 一般隧道土建结构检测方法 |
| 2.2.1 现行检测内容及方法 |
| 2.2.2 安全性检查判定指标 |
| 2.2.3 安全性检查的频率和方法 |
| 2.3 小结 |
| 第3章 海底隧道土建结构建设期影响因素分析 |
| 3.1 现场监测结果分析 |
| 3.1.1 现场监测判定依据 |
| 3.1.2 左线监测结果分析 |
| 3.1.3 右线监测结果分析 |
| 3.1.4 服务洞监测结果分析 |
| 3.2 现场调查结分析 |
| 3.2.1 初期支护开裂渗水调查及分析 |
| 3.2.2 初期支护变形异常规律与特点 |
| 3.2.3 初期支护开裂、渗水规律与特点 |
| 3.2.4 初期支护腐蚀性情况调查 |
| 3.2.5 隧道塌方与坍塌情况调查 |
| 3.2.6 现场二次衬砌开裂、渗漏水调研 |
| 3.3 影响因素分析 |
| 3.3.1 初期支护结构变形异常与开裂原因 |
| 3.3.2 初期支护结构渗水原因 |
| 3.3.3 锈蚀原因分析 |
| 3.4 检测方法确定 |
| 3.4.1 钢筋锈蚀相关检测 |
| 3.4.2 衬砌开裂检测 |
| 3.4.3 衬砌渗漏水检测 |
| 3.4.4 衬砌背后空洞检测 |
| 3.4.5 衬砌净空检测 |
| 3.5 小结 |
| 第4章 海底隧道土建结构运营期影响因素分析 |
| 4.1 结构耐久性分析 |
| 4.1.1 地下水情况 |
| 4.1.2 硫酸盐等引起的混凝土腐蚀 |
| 4.1.3 混凝土碳化引起的钢筋锈蚀 |
| 4.1.4 氯离子侵蚀引起钢筋锈蚀 |
| 4.2 检测方法确定 |
| 4.2.1 时间阶段性划分 |
| 4.2.2 检测方法 |
| 4.3 小结 |
| 第5章 厦门东通道海底隧道土建结构检测技术 |
| 5.1 海底隧道检测阶段划分 |
| 5.1.1 钢筋锈蚀阶段划分及方法 |
| 5.1.2 净空位移检测阶段划分及方法 |
| 5.1.3 空洞检测阶段划分及方法 |
| 5.2 海底隧道检测区段划分 |
| 5.2.1 左线隧道区段 |
| 5.2.2 右线隧道区段 |
| 5.2.3 服务隧道区段 |
| 5.2.4 海域段 |
| 5.3 小结 |
| 第6章 结论 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间参加的科研项目 |
四、挪威国家铁路管理局(Jernbaneverket)的多功能轨道检查车（论文参考文献）
- [1]基于机器视觉的铁路轨道检测系统设计与实现[D]. 尹丹. 燕山大学, 2017(05)
- [2]基于机器视觉的铁路扣件缺陷检测方法研究[D]. 王珍珍. 兰州交通大学, 2016(04)
- [3]铁路图像分类和轨顶边缘定位算法研究[D]. 丁锐. 西南交通大学, 2013(11)
- [4]基于图像的铁路扣件缺陷检测算法研究[D]. 范宏. 西南交通大学, 2012(10)
- [5]厦门东通道海底隧道土建结构功能性检测技术研究[D]. 侯昌银. 西南交通大学, 2010(11)
- [6]挪威国家铁路管理局（Jernbaneverket）的多功能轨道检查车[J]. Tom Hulegreen,张未. 哈尔滨铁道科技, 2001(04)