| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-27页 |
| 1.1 引言 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-23页 |
| 1.2.1 路面结构病害检测技术研究现状 | 第12-17页 |
| 1.2.2 基于探地雷达的路面病害识别和定位技术研究现状 | 第17-18页 |
| 1.2.3 深度学习研究现状 | 第18-21页 |
| 1.2.4 基于深度学习的检测技术研究现状 | 第21-23页 |
| 1.3 主要研究内容 | 第23-27页 |
| 1.3.1 研究内容 | 第23-24页 |
| 1.3.2 论文技术路线 | 第24-27页 |
| 第二章 探地雷达检测路面结构层病害实用采集方法研究 | 第27-38页 |
| 2.1 探地雷达理论 | 第27-29页 |
| 2.1.1 探地雷达检测基本原理 | 第27-28页 |
| 2.1.2 探地雷达检测精度的影响因素 | 第28-29页 |
| 2.2 反射裂缝的雷达波响应特征 | 第29-35页 |
| 2.2.1 异常点的雷达波响应特征 | 第30-31页 |
| 2.2.2 单一均匀介质中垂直裂缝的雷达波响应特征 | 第31-32页 |
| 2.2.3 多层均匀介质中垂直裂缝的雷达波响应特征 | 第32-33页 |
| 2.2.4 探地雷达检测垂直裂缝采集方法 | 第33-35页 |
| 2.3 路面沉降的雷达波响应特征 | 第35-36页 |
| 2.4 层间脱空的雷达波响应特征 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 基于卷积神经网络的路面病害识别 | 第38-57页 |
| 3.1 路面病害探地雷达图像数据集 | 第38-42页 |
| 3.1.1 图像数据集的采集 | 第38-41页 |
| 3.1.2 训练集、验证集与测试集的生成 | 第41-42页 |
| 3.2 卷积神经网络 | 第42-47页 |
| 3.2.1 卷积神经网络总体结构 | 第42-43页 |
| 3.2.2 卷积层 | 第43-44页 |
| 3.2.3 池化层 | 第44页 |
| 3.2.4 激活层 | 第44-45页 |
| 3.2.5 drop-out层 | 第45页 |
| 3.2.6 Softmax层和softmax损失函数 | 第45-46页 |
| 3.2.7 梯度下降算法 | 第46-47页 |
| 3.3 训练与验证结果分析 | 第47-50页 |
| 3.3.1 训练整体准确率和效率 | 第47-48页 |
| 3.3.2 训练样本数量对训练与验证结果的影响 | 第48-49页 |
| 3.3.3 路面病害卷积特征分析 | 第49-50页 |
| 3.4 测试结果与算法稳定性分析 | 第50-53页 |
| 3.4.1 路面结构影响分析 | 第50-51页 |
| 3.4.2 探地雷达发射频率影响分析 | 第51-53页 |
| 3.5 识别方法对比研究 | 第53-55页 |
| 3.6 本章小结 | 第55-57页 |
| 第四章 基于FasterR-CNN的路面病害定位 | 第57-77页 |
| 4.1 FasterR-CNN概述 | 第57-65页 |
| 4.1.1 FastR-CNN网络结构 | 第58-60页 |
| 4.1.2 RNP网络结构 | 第60-64页 |
| 4.1.3 FasterR-CNN网络结构 | 第64-65页 |
| 4.2 FasterR-CNN数据集 | 第65-66页 |
| 4.3 训练、验证和测试结果分析 | 第66-73页 |
| 4.3.1 FasterR-CNN结构优化 | 第66-69页 |
| 4.3.2 测试病害定位结果分析 | 第69-71页 |
| 4.3.3 路面结构影响分析 | 第71-72页 |
| 4.3.4 探地雷达发射频率影响分析 | 第72-73页 |
| 4.4 方法对比研究 | 第73-75页 |
| 4.6 连续检测测试结果分析 | 第75-76页 |
| 4.7 本章小结 | 第76-77页 |
| 第五章 基于回归卷积神经网络的路面病害尺寸测量 | 第77-92页 |
| 5.1 回归卷积神经网络 | 第77-82页 |
| 5.1.1 输入数据和输入层的设计 | 第77-79页 |
| 5.1.2 输出数据和输出层的设计 | 第79页 |
| 5.1.3 回归层与回归函数 | 第79-80页 |
| 5.1.4 回归卷积网络结构特征 | 第80-82页 |
| 5.2 回归卷积神经网络数据集的生成 | 第82-83页 |
| 5.3 训练和验证结果分析 | 第83-85页 |
| 5.3.1 Multi-Reg-CNN训练结果分析 | 第83-84页 |
| 5.3.2 Cascade-Reg-CNN训练结果分析 | 第84-85页 |
| 5.4 测试结果与算法稳定性分析 | 第85-87页 |
| 5.4.1 路面结构影响分析 | 第86-87页 |
| 5.4.2 探地雷达发射频率影响分析 | 第87页 |
| 5.5 病害尺寸测量方法对比研究 | 第87-90页 |
| 5.6 本章小结 | 第90-92页 |
| 第六章 基于级联神经网络的路面裂缝三维重建 | 第92-108页 |
| 6.1 级联卷积神经网络 | 第92-98页 |
| 6.1.1 一级级联卷积神经网络 | 第93-95页 |
| 6.1.2 二级级联卷积神经网络 | 第95-96页 |
| 6.1.3 三级级联卷积神经网络 | 第96-98页 |
| 6.1.4 误差评价指标和训练策略 | 第98页 |
| 6.2 级联卷积神经网络数据集的生成 | 第98-100页 |
| 6.3 训练与验证结果分析 | 第100-102页 |
| 6.3.1 整体训练与验证表现 | 第100-101页 |
| 6.3.2 训练样本数量对训练与验证结果的影响 | 第101页 |
| 6.3.3 特征点定位结果分析 | 第101-102页 |
| 6.4 测试结果与算法稳定性分析 | 第102-104页 |
| 6.4.1 路面结构影响分析 | 第102-103页 |
| 6.4.2 探地雷达发射频率影响分析 | 第103-104页 |
| 6.5 裂缝三维重建 | 第104-106页 |
| 6.5.1 菲涅尔区直径的影响 | 第104-106页 |
| 6.5.2 三维模型的工程意义 | 第106页 |
| 6.6 本章小结 | 第106-108页 |
| 结论 | 第108-111页 |
| 主要工作与结论 | 第108-110页 |
| 展望 | 第110-111页 |
| 参考文献 | 第111-118页 |
| 致谢 | 第118页 |
