| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-16页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外相关研究现状 | 第8-15页 |
| 1.2.1 基于传统的图像处理 | 第8-14页 |
| 1.2.2 基于深度学习 | 第14-15页 |
| 1.3 本章小结 | 第15-16页 |
| 第2章 深度学习理论 | 第16-25页 |
| 2.1 深度学习基本概念 | 第16-17页 |
| 2.2 人工神经网络 | 第17-19页 |
| 2.3 深度卷积网络 | 第19-22页 |
| 2.4 深度学习主流框架 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 公路隧道裂缝图像传统识别算法 | 第25-30页 |
| 3.1 算法整体流程 | 第25-26页 |
| 3.2 裂缝图像去噪 | 第26-27页 |
| 3.3 裂缝图像识别 | 第27-28页 |
| 3.4 其他方法 | 第28-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 公路隧道裂缝图像数据集的建立 | 第30-35页 |
| 4.1 隧道图像数据要求 | 第30-31页 |
| 4.2 隧道图像标注程序 | 第31-32页 |
| 4.3 隧道图像增强 | 第32-33页 |
| 4.4 隧道图像数据集划分 | 第33-34页 |
| 4.5 本章小结 | 第34-35页 |
| 第5章 基于深度卷积网络的公路隧道裂缝图像分类识别 | 第35-42页 |
| 5.1 网络模型 | 第35-38页 |
| 5.2 网络训练 | 第38-39页 |
| 5.3 实验比对 | 第39-41页 |
| 5.4 本章小结 | 第41-42页 |
| 第6章 结论与展望 | 第42-44页 |
| 6.1 结论 | 第42-43页 |
| 6.2 展望 | 第43-44页 |
| 致谢 | 第44-45页 |
| 参考文献 | 第45-47页 |