基于深度置信网络的路面裂缝识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 裂缝识别研究现状 | 第9-10页 |
| 1.2.2 深度置信网络研究现状 | 第10-11页 |
| 1.3 研究内容及章节安排 | 第11-13页 |
| 1.3.1 研究内容 | 第11页 |
| 1.3.2 章节安排 | 第11-13页 |
| 第2章 深度置信网络理论基础 | 第13-21页 |
| 2.1 基本原理 | 第13-17页 |
| 2.1.1 线性模型 | 第13-14页 |
| 2.1.2 激活函数 | 第14-15页 |
| 2.1.3 损失函数 | 第15-16页 |
| 2.1.4 欠拟合与过拟合 | 第16-17页 |
| 2.2 常用模型 | 第17-19页 |
| 2.2.1 自动编码器 | 第17-18页 |
| 2.2.2 卷积神经网络 | 第18-19页 |
| 2.2.3 循环神经网络 | 第19页 |
| 2.3 模型对比分析 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于分块处理的路面影像数据获取 | 第21-27页 |
| 3.1 路面影像数据采集系统 | 第21-22页 |
| 3.2 沥青路面数据分析 | 第22-23页 |
| 3.3 路面影像数据预处理 | 第23-26页 |
| 3.3.1 图像灰度矫正 | 第24-25页 |
| 3.3.2 图像分块处理 | 第25-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第4章 基于深度置信网络的路面裂缝识别算法 | 第27-32页 |
| 4.1 路面裂缝识别算法设计 | 第27页 |
| 4.2 深度置信网络相关训练 | 第27-30页 |
| 4.2.1 深度置信网络训练方法设计 | 第27-29页 |
| 4.2.2 多层受限玻尔兹曼机重构训练 | 第29-30页 |
| 4.2.3 反向传播网络微调训练 | 第30页 |
| 4.3 网络模型参数设置 | 第30-31页 |
| 4.4 本章小结 | 第31-32页 |
| 第5章 基于TensorFlow框架实现裂缝识别 | 第32-44页 |
| 5.1 基于TensorFlow实现路面裂缝识别 | 第32-36页 |
| 5.1.1 样本数据获取 | 第32-33页 |
| 5.1.2 网络架构设计 | 第33-34页 |
| 5.1.3 基于深度置信网络的裂缝识别 | 第34-36页 |
| 5.2 实验结果及分析 | 第36-42页 |
| 5.2.1 输出层节点数对DBN的影响分析 | 第36-38页 |
| 5.2.2 迭代次数对DBN的影响分析 | 第38-39页 |
| 5.2.3 裂缝识别实验结果分析 | 第39-41页 |
| 5.2.4 对比分析 | 第41-42页 |
| 5.3 本章小结 | 第42-44页 |
| 第6章 总结与展望 | 第44-46页 |
| 6.1 研究总结 | 第44页 |
| 6.2 研究展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 致谢 | 第49-50页 |
| 附录1 攻读硕士研究生期间参与的科研项目及成果 | 第50页 |
