基于机器视觉和深度学习的空间结构球节点位移测量方法
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第12-18页 |
| 1.1 课题背景及意义 | 第12-13页 |
| 1.2 结构位移测量研究现状 | 第13-16页 |
| 1.2.1 传统方法 | 第13-14页 |
| 1.2.2 机器视觉方法 | 第14-15页 |
| 1.2.3 深度学习技术发展现状 | 第15-16页 |
| 1.3 本文研究的主要内容 | 第16-18页 |
| 2 双目立体视觉系统 | 第18-32页 |
| 2.1 单相机成像模型 | 第18-22页 |
| 2.1.1 线性模型 | 第18-21页 |
| 2.1.2 非线性模型 | 第21-22页 |
| 2.2 双目立体视觉原理 | 第22-27页 |
| 2.2.1 测量原理和步骤 | 第22-23页 |
| 2.2.2 三维测量关键技术 | 第23-25页 |
| 2.2.3 三维重建过程 | 第25-27页 |
| 2.3 空间结构测量特点难点 | 第27-28页 |
| 2.4 测点选择和特征点匹配方法 | 第28-30页 |
| 2.4.1 测点选择 | 第28-29页 |
| 2.4.2 基于外极线约束的特征点匹配 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 3 基于深度学习的球节点识别方法 | 第32-50页 |
| 3.1 深度学习和卷积神经网络 | 第32-35页 |
| 3.1.1 深度学习概述 | 第32-33页 |
| 3.1.2 卷积神经网络原理和构成 | 第33-35页 |
| 3.2 目标检测方法 | 第35-41页 |
| 3.2.1 R-CNN | 第35-36页 |
| 3.2.2 SPP-Net | 第36-37页 |
| 3.2.3 Fast R-CNN | 第37页 |
| 3.2.4 Faster RCNN | 第37-38页 |
| 3.2.5 Yolo | 第38-39页 |
| 3.2.6 Yolov2 | 第39-41页 |
| 3.3 球节点自动定位程序实现 | 第41-46页 |
| 3.3.1 数据集 | 第41-42页 |
| 3.3.2 程序运行环境和相关参数 | 第42-43页 |
| 3.3.3 模型选择 | 第43-45页 |
| 3.3.4 训练和识别效果 | 第45-46页 |
| 3.4 程序的精度评价 | 第46-49页 |
| 3.5 本章小结 | 第49-50页 |
| 4 位移测量系统的实现 | 第50-66页 |
| 4.1 测量系统流程 | 第50-51页 |
| 4.2 离散测点匹配方法 | 第51-54页 |
| 4.3 三维重建和位移计算 | 第54-59页 |
| 4.3.1 非理想情况空间点坐标三维重建 | 第54-56页 |
| 4.3.2 测量系统移动后位移计算方法 | 第56-58页 |
| 4.3.3 位移计算流程 | 第58-59页 |
| 4.4 系统布置方案 | 第59-65页 |
| 4.4.1 双目系统测量误差分析 | 第59-61页 |
| 4.4.2 系统布置参数对误差的影响 | 第61-64页 |
| 4.4.3 测量系统布置方案 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 5 位移测量系统的试验验证 | 第66-76页 |
| 5.1 试验方案 | 第66-67页 |
| 5.2 试验过程 | 第67-69页 |
| 5.3 试验图像及数据处理 | 第69-74页 |
| 5.3.1 试验图像及数据处理 | 第69-73页 |
| 5.3.2 测量误差分析 | 第73-74页 |
| 5.4 本章小结 | 第74-76页 |
| 6 结论与展望 | 第76-78页 |
| 6.1 研究成果和结论 | 第76页 |
| 6.2 研究展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 作者简历 | 第82页 |
