基于深度学习的混凝土裂缝识别
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 研究现状 | 第13-18页 |
| 1.2.1 混凝土裂缝无损检测 | 第13-14页 |
| 1.2.2 基于数字图像处理技术的裂缝检测 | 第14-17页 |
| 1.2.3 基于深度学习的裂缝检测 | 第17-18页 |
| 1.3 本文的主要研究内容和创新点 | 第18-20页 |
| 1.3.1 本文的主要研究内容 | 第18-19页 |
| 1.3.2 本文创新点 | 第19-20页 |
| 2 深度学习图像识别 | 第20-37页 |
| 2.1 深度学习 | 第21-22页 |
| 2.2 卷积神经网络原理 | 第22-27页 |
| 2.2.1 卷积神经网络简介 | 第22-23页 |
| 2.2.2 局部感知和参数共享 | 第23-25页 |
| 2.2.3 池化 | 第25-26页 |
| 2.2.4 多卷积核 | 第26-27页 |
| 2.3 卷积神经网络训练 | 第27-31页 |
| 2.3.1 前向传播算法 | 第27-28页 |
| 2.3.2 反向传播算法 | 第28-30页 |
| 2.3.3 权值更新 | 第30-31页 |
| 2.4 目标检测 | 第31-36页 |
| 2.4.1 Two-stage检测模型 | 第31-34页 |
| 2.4.2 One-stage检测模型 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 3 基于卷积神经网络的裂缝识别 | 第37-58页 |
| 3.1 引言 | 第37页 |
| 3.2 实验数据 | 第37-41页 |
| 3.2.1 数据采集 | 第37-40页 |
| 3.2.2 图像裁剪 | 第40-41页 |
| 3.3 实验方法 | 第41-45页 |
| 3.3.1 实验流程 | 第41-42页 |
| 3.3.2 检测框架 | 第42-43页 |
| 3.3.3 辅助层 | 第43-44页 |
| 3.3.4 激活层 | 第44-45页 |
| 3.3.5 Sigmoid层 | 第45页 |
| 3.4 实验结果 | 第45-57页 |
| 3.4.1 基本配置 | 第45页 |
| 3.4.2 训练结果对比分析 | 第45-50页 |
| 3.4.3 测试结果对比分析 | 第50-57页 |
| 3.5 本章小结 | 第57-58页 |
| 4 基于深度迁移学习的裂缝识别 | 第58-73页 |
| 4.1 引言 | 第58页 |
| 4.2 基本原理 | 第58-62页 |
| 4.2.1 深度迁移学习 | 第58-60页 |
| 4.2.2 微调(Fine-tune) | 第60-61页 |
| 4.2.3 VGG-16网络 | 第61-62页 |
| 4.3 实验方法 | 第62-65页 |
| 4.3.1 实验流程 | 第62-63页 |
| 4.3.2 基于深度迁移学习的神经网络结构 | 第63-65页 |
| 4.4 实验结果及分析 | 第65-72页 |
| 4.4.1 网络模型设置 | 第65页 |
| 4.4.2 网络训练与验证 | 第65-67页 |
| 4.4.3 网络测试与比较 | 第67-71页 |
| 4.4.4 最佳微调层和数据量 | 第71-72页 |
| 4.5 本章小结 | 第72-73页 |
| 5 基于深度学习的多目标裂缝识别 | 第73-86页 |
| 5.1 引言 | 第73页 |
| 5.2 基本原理 | 第73-75页 |
| 5.3 实验流程 | 第75-76页 |
| 5.4 实验结果及分析 | 第76-84页 |
| 5.4.1 裂缝数据集 | 第76-77页 |
| 5.4.2 目标框聚类分析 | 第77-79页 |
| 5.4.3 结果分析 | 第79-84页 |
| 5.5 本章小结 | 第84-86页 |
| 6 总结与展望 | 第86-88页 |
| 6.1 总结 | 第86-87页 |
| 6.2 展望 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 作者简介 | 第92页 |
