本书从机器视觉技术的基本原理与工业检测需求出发，系统介绍基于机器视觉的智能检测系统在轨道交通与地质灾害防治中的设计与实现方法。重点阐述钢轨波磨的实时检测与分类技术、复杂岩体裂隙的图像分割与参数量化方法，涵盖从图像采集、预处理、特征提取到深度学习模型构建与优化的全过程。本书深入解析卷积神经网络、注意力机制、损失函数等理论，同时详细介绍硬件平台搭建、软件系统开发、现场测试与实验结果分析等实践技术。

更多科学出版社服务，请扫码获取。

2005-09至2009-06，西华大学 工学学士 2009-09至2014-06，西南交通大学 工学博士（硕博连读）2014-07至2017-12，成都理工大学，讲师 2018-01至2019-10，成都理工大学，副教授 2019-11至2020-11，美国-乔治华盛顿大学，助理研究员 2020-11至2023-12，成都理工大学，副教授 2024-01至今，成都理工大学 教授机器视觉四川省机器人专业委员会---委员

目录
第1章 引言 1
1.1 机器视觉在轨道交通检测中的应用研究现状 3
1.1.1 国内外研究现状 8
1.1.2 研究现状分析 10
1.2 机器视觉在地质灾害防治中的应用研究现状 10
1.2.1 国内外研究现状 12
1.2.2 研究现状分析 14
参考文献 14
第2章 基于机器视觉的钢轨波磨实时检测方法研究 20
2.1 概述 20
2.2 钢轨波磨视觉检测系统设计 20
2.2.1 检测系统需求分析 20
2.2.2 系统软件设计 22
2.2.3 钢轨波磨巡检小车结构设计 24
2.3 轨道图像预处理方法研究 36
2.3.1 数字图像处理技术介绍 36
2.3.2 轨道图像预处理的目的 36
2.3.3 轨道图像基本预处理方法 37
2.3.4 轨道图像分割预处理方法 41
2.4 波磨检测方法研究 47
2.4.1 卷积神经网络概述 47
2.4.2 ShuffleNet V2网络结构分析 48
2.4.3 改进ShuffleNet V2 53
2.4.4 波磨检测模型训练 55
2.5 检测系统实现与实验分析 60
2.5.1 系统实现 60
2.5.2 硬件平台搭建 64
2.5.3 波磨实时检测实验与分析 66
参考文献 70
第3章 基于机器视觉的钢轨波磨实时分类检测研究 72
3.1 概述 72
3.2 波磨分类视觉检测系统设计 72
3.2.1 系统分析 72
3.2.2 系统软件架构 73
3.3 波磨分类及数据集检测 75
3.3.1 数据集标签的确定 75
3.3.2 波磨分类方法研究 75
3.3.3 数据集制作 83
3.4 波磨分类检测方法研究 85
3.4.1 目标检测算法概述 85
3.4.2 YOLOv8算法网络模型结构 86
3.4.3 YOLOv8算法网络结构的改进 87
3.4.4 波磨分类检测模型训练与评价 96
3.5 系统实现与实验分析 103
3.5.1 系统实现 103
3.5.2 系统现场测试 106
3.5.3 实验结果与分析 106
参考文献 108
第4章 基于图像分割的复杂岩体裂隙检测与量化研究 110
4.1 概述 110
4.2 深度学习卷积神经网络理论与无人机摄像测量 110
4.2.1 深度学习与卷积神经网络 110
4.2.2 无人机实时摄影测量技术 114
4.2.3 无人机摄影坐标系 116
4.2.4 共线条件方程 118
4.2.5 无人机航测系统建立 120
4.3 复杂岩体图像分割算法研究 121
4.3.1 复杂背景岩体分割流程 121
4.3.2 数据获取 121
4.3.3 数据集制作 123
4.3.4 deeplabV3+模型语义分割算法 125
4.3.5 复杂岩体分割算法IM-deeplabV3 + 的改进 130
4.3.6 实验环境与评价指标 134
4.3.7 实验结果与分析 137
4.4 岩体裂隙图像分割算法研究 140
4.4.1 传统裂隙图像分割方法研究 141
4.4.2 Unet的裂隙分割模型 142
4.4.3 裂隙图像分割模型IM-Unet的改进 143
4.4.4 模型训练 148
4.4.5 实验结果分析 152
4.5 裂隙量化系统实现与优化研究 155
4.5.1 基于滑动窗口岩体裂隙参数信息提取 156
4.5.2 裂隙参数提取模块 157
4.5.3 裂隙参数量化软件模块 163
4.5.4 实际岩体裂隙参数提取与统计 164
参考文献 166