| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 主要符号表 | 第19-20页 |
| 1 绪论 | 第20-40页 |
| 1.1 课题研究背景与意义 | 第20-22页 |
| 1.2 古建筑表面损伤检测研究现状 | 第22-29页 |
| 1.2.1 人工目测法 | 第22-24页 |
| 1.2.2 传感器网络法 | 第24-25页 |
| 1.2.3 数字图像处理法 | 第25-27页 |
| 1.2.4 机器学习法 | 第27-29页 |
| 1.3 深度学习的发展以及所带来的机遇 | 第29-37页 |
| 1.3.1 深度学习的发展历程 | 第29-31页 |
| 1.3.2 深度学习的研究现状 | 第31-32页 |
| 1.3.3 深度学习的应用领域 | 第32-36页 |
| 1.3.4 深度学习在土木工程结构损伤检测中的应用 | 第36-37页 |
| 1.4 本文主要研究内容 | 第37-40页 |
| 2 基于CNN的故宫建筑表面损伤识别方法 | 第40-94页 |
| 2.1 引言 | 第40-41页 |
| 2.2 课题研究对象 | 第41-49页 |
| 2.2.1 故宫博物院 | 第41-43页 |
| 2.2.2 故宫博物院养心殿 | 第43-45页 |
| 2.2.3 故宫博物院燕喜堂 | 第45-49页 |
| 2.3 深度学习基本理论 | 第49-59页 |
| 2.3.1 人工神经网络 | 第49-52页 |
| 2.3.2 卷积神经网络 | 第52-57页 |
| 2.3.3 参数学习算法 | 第57-59页 |
| 2.4 故宫古建筑损伤识别CNN网络模型 | 第59-67页 |
| 2.4.1 AlexNet HSD网络架构及超参数配置 | 第59-62页 |
| 2.4.2 GoogleNet HSD网络架构及超参数配置 | 第62-66页 |
| 2.4.3 软硬件环境配置 | 第66-67页 |
| 2.5 基于CNN的故宫大木结构损伤分类器 | 第67-79页 |
| 2.5.1 数据集准备 | 第67-69页 |
| 2.5.2 AlexNet HSD训练模型 | 第69-72页 |
| 2.5.3 滑移窗口算法 | 第72-73页 |
| 2.5.4 高精度损伤分类器测试新图片 | 第73-76页 |
| 2.5.5 与数字图像处理技术的对比实验 | 第76-79页 |
| 2.6 基于CNN的故宫城墙损伤分类器 | 第79-92页 |
| 2.6.1 数据集准备 | 第79-80页 |
| 2.6.2 AlexNet HSD训练模型 | 第80-82页 |
| 2.6.3 GoogleNet HSD训练模型 | 第82-84页 |
| 2.6.4 滑移窗口算法 | 第84页 |
| 2.6.5 高精度损伤分类器测试新图片 | 第84-92页 |
| 2.7 本章小结 | 第92-94页 |
| 3 基于候选区域网络的故宫建筑表面损伤探测方法 | 第94-114页 |
| 3.1 引言 | 第94页 |
| 3.2 R-CNN | 第94-95页 |
| 3.3 Fast R-CNN | 第95页 |
| 3.4 基于候选区域的表面损伤探测方法 | 第95-100页 |
| 3.4.1 候选区域网络 | 第96-97页 |
| 3.4.2 移动终端探测结构表面损伤 | 第97-98页 |
| 3.4.3 ResNet模型 | 第98-100页 |
| 3.4.4 基于ResNet101框架的Faster R-CNN网络模型 | 第100页 |
| 3.5 Faster R-CNN技术探测故宫古建筑砌体损伤 | 第100-113页 |
| 3.5.1 数据集准备 | 第101-102页 |
| 3.5.2 参数初始化 | 第102页 |
| 3.5.3 模型训练 | 第102-104页 |
| 3.5.4 不同情况下砖砌体损伤探测 | 第104-108页 |
| 3.5.5 对比性研究 | 第108-110页 |
| 3.5.6 基于移动端的砌体结构损伤探测 | 第110-113页 |
| 3.6 本章小结 | 第113-114页 |
| 4 基于两阶段策略的故宫建筑表面损伤分割算法 | 第114-135页 |
| 4.1 引言 | 第114-115页 |
| 4.2 第一阶段策略Faster R-CNN | 第115-118页 |
| 4.2.1 数据准备 | 第115页 |
| 4.2.2 模型训练 | 第115-117页 |
| 4.2.3 瓦片分割 | 第117-118页 |
| 4.3 第二阶段策略Mask R-CNN | 第118-120页 |
| 4.3.1 体系结构 | 第118页 |
| 4.3.2 损失函数 | 第118-119页 |
| 4.3.3 ROIAlign | 第119-120页 |
| 4.4 Mask R-CNN算法分割故宫琉璃瓦件损伤 | 第120-134页 |
| 4.4.1 数据集准备 | 第120-122页 |
| 4.4.2 参数初始化 | 第122-123页 |
| 4.4.3 模型训练 | 第123-124页 |
| 4.4.4 模型验证 | 第124-125页 |
| 4.4.5 测试新图像 | 第125-127页 |
| 4.4.6 验证模型鲁棒性 | 第127-128页 |
| 4.4.7 损伤测量 | 第128-132页 |
| 4.4.8 对比性研究 | 第132-134页 |
| 4.5 本章小结 | 第134-135页 |
| 5 古建筑遗迹大数据收集系统 | 第135-156页 |
| 5.1 引言 | 第135页 |
| 5.2 MCS传感技术 | 第135-137页 |
| 5.3 GreatWatcher大数据收集系统 | 第137-143页 |
| 5.3.1 Great Watcher系统框架 | 第138-140页 |
| 5.3.2 GreatWatcher手机端 | 第140-143页 |
| 5.3.3 网站服务器 | 第143页 |
| 5.3.4 计算终端 | 第143页 |
| 5.4 GreatWatcher系统应用实例 | 第143-148页 |
| 5.4.1 怀柔区长城调研 | 第143-145页 |
| 5.4.2 水关长城调研 | 第145-147页 |
| 5.4.3 调研结果分析与上传 | 第147-148页 |
| 5.5 基于深度学习技术探测长城损伤 | 第148-154页 |
| 5.5.1 数据集准备 | 第148-149页 |
| 5.5.2 参数初始化 | 第149页 |
| 5.5.3 模型训练 | 第149-151页 |
| 5.5.4 长城损伤快速探测 | 第151-154页 |
| 5.6 本章小结 | 第154-156页 |
| 6 结论与展望 | 第156-160页 |
| 6.1 结论 | 第156-158页 |
| 6.2 创新点 | 第158页 |
| 6.3 展望 | 第158-160页 |
| 参考文献 | 第160-174页 |
| 攻读博士学位期间科研项目及科研成果 | 第174-176页 |
| 致谢 | 第176-178页 |
| 作者简介 | 第178页 |
