| 摘要 | 第2-3页 |
| abstract | 第3页 |
| 1 绪论 | 第6-22页 |
| 1.1 研究背景与意义 | 第6-10页 |
| 1.1.1 机器学习：一种实现人工智能的方法 | 第6-7页 |
| 1.1.2 机器学习在土木工程领域的应用 | 第7-10页 |
| 1.1.3 土木工程施工安全管理存在的主要问题 | 第10页 |
| 1.2 研究思路及理论概述 | 第10-21页 |
| 1.2.1 支持向量机基本原理 | 第11-15页 |
| 1.2.2 反向传播神经网络基本原理 | 第15-16页 |
| 1.2.3 深度学习的迅速崛起与基本原理 | 第16-18页 |
| 1.2.4 机器学习分类算法的主要评价指标 | 第18-21页 |
| 1.3 本文撰写概要 | 第21-22页 |
| 2 基于智能手机和机器学习的施工行为识别与动作捕捉 | 第22-38页 |
| 2.1 基于行为的施工安全研究概况 | 第22-24页 |
| 2.2 基于智能手机的工人行为识别系统设计 | 第24-25页 |
| 2.3 实验验证：安全带的使用状态识别 | 第25-37页 |
| 2.3.1 行为识别实验验证及结果 | 第27-35页 |
| 2.3.2 运动捕捉实验验证及结果 | 第35-37页 |
| 2.4 本章小结 | 第37-38页 |
| 3 基于深度学习的桥梁类型和主要构件的自动识别 | 第38-52页 |
| 3.1 深度学习：推动智慧化施工管理 | 第38-39页 |
| 3.2 方法概述 | 第39-45页 |
| 3.2.1 Alex-NET | 第39-41页 |
| 3.2.2 Faster-RCNN | 第41-43页 |
| 3.2.3 软硬件环境配置 | 第43-44页 |
| 3.2.4 Caffe深度学习框架的构建 | 第44-45页 |
| 3.3 基于CNN的桥梁类型识别技术 | 第45-47页 |
| 3.3.1 数据集建立 | 第45页 |
| 3.3.2 模型训练及性能测试 | 第45-47页 |
| 3.4 基于FasterR-CNN的桥梁主要构件的自动检测 | 第47-51页 |
| 3.4.1 数据集建立 | 第47-48页 |
| 3.4.2 模型训练及性能测试 | 第48-51页 |
| 3.5 本章小结 | 第51-52页 |
| 4 基于深度学习的吊装过程危险场景识别 | 第52-59页 |
| 4.1 基于深度学习的吊装过程危险场景识别研究背景及思路 | 第52-53页 |
| 4.2 基于深度学习的吊装过程危险场景识别系统 | 第53-57页 |
| 4.2.1 训练数据采集及数据集建立 | 第53页 |
| 4.2.2 模型训练及性能测试 | 第53-55页 |
| 4.2.3 系统功能集成与测试 | 第55-57页 |
| 4.3 本章小结 | 第57-59页 |
| 结论与展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 攻读硕士学位期间发表学术论文情况 | 第66-67页 |
| 致谢 | 第67-69页 |
