| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 论文选题背景与意义 | 第11-13页 |
| 1.1.1 论文选题背景 | 第11-12页 |
| 1.1.2 论文选题意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 研究目标 | 第16-17页 |
| 1.4 研究内容 | 第17页 |
| 1.5 拟解决的关键技术问题 | 第17-18页 |
| 1.6 研究方案 | 第18-20页 |
| 第二章 深度学习模型的优化与分析 | 第20-38页 |
| 2.1 深度学习技术的基本理论 | 第20-21页 |
| 2.2 深度学习模型对比 | 第21-28页 |
| 2.2.1 LeNet模型 | 第21-23页 |
| 2.2.2 AlexNet模型 | 第23-25页 |
| 2.2.3 ResNet模型 | 第25-28页 |
| 2.3 ResNet模型与AlexNet模型结果比较 | 第28-31页 |
| 2.3.1 ResNet模型训练 | 第28-29页 |
| 2.3.2 ResNet模型训练结果分析 | 第29-31页 |
| 2.4 岩石种类 | 第31-35页 |
| 2.5 岩石与土体分离 | 第35-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 节理裂隙特征研究 | 第38-55页 |
| 3.1 节理特征提取的深度模型建立 | 第38-40页 |
| 3.2 节理裂隙统计 | 第40-47页 |
| 3.2.1 去噪处理 | 第41-43页 |
| 3.2.2 图像二值化 | 第43-45页 |
| 3.2.3 形态学方法 | 第45-47页 |
| 3.3 节理裂隙定量分析 | 第47-50页 |
| 3.4 掌子面评价体系 | 第50-54页 |
| 3.4.1 结构面节理裂隙的研究 | 第50-52页 |
| 3.4.2 掌子面评价体系建立 | 第52-53页 |
| 3.4.3 掌子面评价体系验证 | 第53-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 公路隧道围岩云分级系统的开发 | 第55-70页 |
| 4.1 掌子面图像实际面积的确定 | 第55-56页 |
| 4.1.1 掌子面图像的采集 | 第55页 |
| 4.1.2 掌子面图像实际面积的确定 | 第55-56页 |
| 4.2 软件系统的实现流程 | 第56-57页 |
| 4.3 云服务器配置 | 第57-62页 |
| 4.3.1 云服务器配置步骤 | 第57-61页 |
| 4.3.2 安装环境 | 第61-62页 |
| 4.4 围岩分级系统大型数据库的建立 | 第62-64页 |
| 4.5 系统操作 | 第64-69页 |
| 4.6 本章小结 | 第69-70页 |
| 第五章 工程实例验证与分析 | 第70-78页 |
| 5.1 工程实例 | 第70-71页 |
| 5.2 围岩定量化分级方法研究 | 第71-74页 |
| 5.2.1 传统隧道围岩分级方法 | 第71-72页 |
| 5.2.2 BT分级方法的建立 | 第72页 |
| 5.2.3 BT分级方法各指标的评分值计算 | 第72-74页 |
| 5.3 围岩分级结果对比与分析 | 第74-77页 |
| 5.4 本章小结 | 第77-78页 |
| 结论与展望 | 第78-80页 |
| 结论 | 第78页 |
| 展望 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-85页 |
| 附录A 攻读学位期间发表论文目录 | 第85-86页 |
| 附录B 攻读学位期间参加的科研课题项目与工作 | 第86页 |