| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 论文研究背景和意义 | 第10-11页 |
| 1.2 传统路面裂缝检测算法国内外研究进展 | 第11-14页 |
| 1.2.1 路面裂缝图像预处理算法 | 第11-12页 |
| 1.2.2 路面裂缝图像分类算法 | 第12-14页 |
| 1.3 基于深度学习的路面裂缝识别现状 | 第14-15页 |
| 1.4 目前存在的主要问题 | 第15-16页 |
| 1.5 本文的组织和结构 | 第16-18页 |
| 第二章 深度学习神经网络相关介绍 | 第18-32页 |
| 2.1 深度神经网络结构 | 第18-22页 |
| 2.1.1 单隐层神经网络 | 第18-20页 |
| 2.1.2 多隐层神经网络 | 第20-22页 |
| 2.1.3 深度学习网络 | 第22页 |
| 2.2 卷积神经网络 | 第22-30页 |
| 2.2.1 卷积神经网络结构 | 第22-27页 |
| 2.2.2 常见卷积神经网络模型 | 第27-30页 |
| 2.2.3 深度学习框架Caffe | 第30页 |
| 2.3 本章小结 | 第30-32页 |
| 第三章 路面裂缝图像特征分析与预处理 | 第32-41页 |
| 3.1 路面裂缝类型及成因 | 第32-36页 |
| 3.1.1 沥青路面破损类型 | 第32-34页 |
| 3.1.2 裂缝类破损的特点及成因 | 第34-35页 |
| 3.1.3 本文进行路面裂缝识别的流程 | 第35-36页 |
| 3.2 路面裂缝图像预处理流程 | 第36-38页 |
| 3.3 基于Caffe框架的路面裂缝图像数据集 | 第38-40页 |
| 3.3.1 Caffe输入数据库简介 | 第38-39页 |
| 3.3.2 路面裂缝图像数据格式转换 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 针对裂缝识别的深度学习神经网络设计 | 第41-53页 |
| 4.1 深度学习网络设计 | 第41-42页 |
| 4.2 卷积神经网络的优化 | 第42-49页 |
| 4.2.1 数据预处理 | 第42-43页 |
| 4.2.2 网络模型参数初始化 | 第43-44页 |
| 4.2.3 训练过程中的学习率及激活函数特性分析 | 第44-48页 |
| 4.2.4 正则化约束 | 第48-49页 |
| 4.3 改进后的深度卷积神经网络 | 第49-51页 |
| 4.4 路面裂缝图像分类器训练 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 基于深度学习的路面裂缝实验及分析 | 第53-73页 |
| 5.1 基于深度学习的路面裂缝识别环境搭建 | 第53-56页 |
| 5.2 基于深度学习方法的路面裂缝特征提取与分析 | 第56-58页 |
| 5.3 路面裂缝识别结果 | 第58-70页 |
| 5.4 本文网络模型与原始AlexNet网络对比分析 | 第70-71页 |
| 5.5 本章小结 | 第71-73页 |
| 第六章 结论与展望 | 第73-76页 |
| 6.1 总结 | 第73-74页 |
| 6.2 下一步工作展望 | 第74-76页 |
| 参考文献 | 第76-79页 |
| 攻读硕士学位期间取得的研究成果 | 第79-80页 |
| 致谢 | 第80页 |