基于深度学习的同步碎石封层碎石覆盖率检测算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-15页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 主要工作和内容安排 | 第13-15页 |
| 2 神经网络理论基础 | 第15-28页 |
| 2.1 人工神经网络的概念 | 第15-16页 |
| 2.2 感知机与深度神经网络 | 第16-17页 |
| 2.3 激活函数与分类器 | 第17-19页 |
| 2.3.1 传统激活函数 | 第17-18页 |
| 2.3.2 分类器 | 第18-19页 |
| 2.4 卷积神经网络基础 | 第19-23页 |
| 2.4.1 局部感知与权值共享 | 第19-21页 |
| 2.4.2 卷积与反卷积 | 第21-22页 |
| 2.4.3 池化 | 第22-23页 |
| 2.5 经典CNN模型结构 | 第23-27页 |
| 2.5.1 LeNet-5与AlexNet | 第23-24页 |
| 2.5.2 VGG与GoogLeNet | 第24-25页 |
| 2.5.3 ResNet与DenseNet | 第25-27页 |
| 2.6 本章小结 | 第27-28页 |
| 3 数据集构建 | 第28-34页 |
| 3.1 路面图像采集 | 第28-29页 |
| 3.2 图像平滑去噪 | 第29-30页 |
| 3.3 图像数据标注 | 第30-31页 |
| 3.4 数据集划分 | 第31-32页 |
| 3.5 数据集扩增 | 第32-33页 |
| 3.6 本章小结 | 第33-34页 |
| 4 碎石覆盖率检测系统 | 第34-52页 |
| 4.1 系统方案概述 | 第34-35页 |
| 4.2 图像标准化 | 第35页 |
| 4.3 基于FCN的碎石图像分割 | 第35-38页 |
| 4.3.1 FCN网络结构 | 第35-37页 |
| 4.3.2 模型细节 | 第37-38页 |
| 4.3.3 修正线性单元 | 第38页 |
| 4.4 基于U-Net的碎石图像分割 | 第38-42页 |
| 4.4.1 U-Net网络结构 | 第38-39页 |
| 4.4.2 模型细节 | 第39-40页 |
| 4.4.3 批量归一化 | 第40-42页 |
| 4.5 基于GravelNet的碎石图像分割 | 第42-46页 |
| 4.5.1 GravelNet网络结构 | 第42-43页 |
| 4.5.2 模型细节 | 第43-44页 |
| 4.5.3 可缩放指数线性单元 | 第44-45页 |
| 4.5.4 Alphadropout | 第45-46页 |
| 4.6 损失函数及L2正则化 | 第46-48页 |
| 4.7 Adam优化算法 | 第48-51页 |
| 4.8 本章小结 | 第51-52页 |
| 5 实验结果与分析 | 第52-60页 |
| 5.1 实验环境配置 | 第52-53页 |
| 5.2 评价指标 | 第53-54页 |
| 5.3 模型训练 | 第54-57页 |
| 5.4 实验结果 | 第57-59页 |
| 5.5 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 研究工作总结 | 第60-61页 |
| 6.2 研究展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第65-66页 |
| 致谢 | 第66页 |
