| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-12页 |
| 1.2 裂缝检测的国内外研究现状 | 第12-14页 |
| 1.3 目前存在的问题 | 第14页 |
| 1.4 本文主要的研究内容及论文课题的来源 | 第14-15页 |
| 1.5 论文的组织框架 | 第15-17页 |
| 第二章 深度学习相关工作简介 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 深度学习 | 第17-19页 |
| 2.2.1 深度学习发展历史的简述 | 第17-18页 |
| 2.2.2 深度学习的具体内容和优势 | 第18-19页 |
| 2.3 卷积神经网络 | 第19-22页 |
| 2.3.1 卷积神经网络的概述 | 第19页 |
| 2.3.2 卷积神经网络的基本构成和特性 | 第19-22页 |
| 2.4 生成式对抗网络 | 第22-25页 |
| 2.4.1 生成式模型的概述 | 第22-23页 |
| 2.4.2 生成式对抗网络的概述 | 第23-24页 |
| 2.4.3 条件生成式对抗网络的概述 | 第24-25页 |
| 2.5 小结 | 第25-27页 |
| 第三章 基于深度学习的桥梁裂缝检测算法研究 | 第27-51页 |
| 3.1 引言 | 第27-28页 |
| 3.2 基于人工扩增的数据集预处理方法 | 第28-29页 |
| 3.3 基于CNN深度学习的DBCC分类模型及构建方法 | 第29-35页 |
| 3.3.1 DBCC模型提出的原因分析 | 第29-31页 |
| 3.3.2 DBCC模型的构建 | 第31-35页 |
| 3.4 改进的窗口滑动算法 | 第35-36页 |
| 3.5 算法的加速策略 | 第36-37页 |
| 3.6 基于桥梁裂缝面元的裂缝提取和定位算法 | 第37-38页 |
| 3.7 实验结果与分析 | 第38-48页 |
| 3.8 小结 | 第48-51页 |
| 第四章 基于深度学习的桥梁裂缝损伤程度量化和评价算法 | 第51-67页 |
| 4.1 引言 | 第51页 |
| 4.2 基于生成式对抗网络模型的桥梁裂缝图像数据集扩增算法 | 第51-58页 |
| 4.2.1 桥梁裂缝图像数据集合的构建 | 第52-54页 |
| 4.2.2 基于图像处理算法的辅助性图像数据集合扩增方法 | 第54-55页 |
| 4.2.3 用于桥梁裂缝图像生成的生成式对抗网络模型 | 第55-58页 |
| 4.3 桥梁裂缝图像的分类算法 | 第58-59页 |
| 4.4 桥梁裂缝损伤程度的量化和评价算法 | 第59-62页 |
| 4.5 实验与分析 | 第62-65页 |
| 4.6 小结 | 第65-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 全文总结 | 第67-68页 |
| 5.2 未来工作的展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士期间研究成果 | 第77页 |
