基于图像分割的道路裂纹检测算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 道路裂纹国内外研究现状 | 第10-12页 |
| 1.3 研究内容和创新点 | 第12-13页 |
| 1.4 论文章节安排 | 第13-14页 |
| 第2章 道路裂纹检测概述 | 第14-23页 |
| 2.1 道路裂纹图像特征分析 | 第14页 |
| 2.2 道路裂纹常用检测算法 | 第14-17页 |
| 2.2.1 基于灰度阈值的分割方法 | 第14-15页 |
| 2.2.2 基于边缘检测的方法 | 第15-16页 |
| 2.2.3 基于纹理特征的检测方法 | 第16-17页 |
| 2.3 梯度提升决策树算法 | 第17-18页 |
| 2.4 全卷积神经网络 | 第18-22页 |
| 2.4.1 全卷积神经网络概述 | 第18-19页 |
| 2.4.2 FCN网络结构 | 第19-21页 |
| 2.4.3 FCN的特点 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 基于梯度提升决策树的道路裂纹检测算法 | 第23-37页 |
| 3.1 梯度提升决策树的边缘检测模型 | 第24-31页 |
| 3.1.1 结构化标签 | 第24-25页 |
| 3.1.2 结构化标签的目标分数 | 第25-26页 |
| 3.1.3 训练决策树 | 第26-28页 |
| 3.1.4 梯度提升决策树方法 | 第28-29页 |
| 3.1.5 道路裂纹检测及去噪 | 第29-31页 |
| 3.2 实验结果分析 | 第31-36页 |
| 3.2.1 实验结果 | 第31-32页 |
| 3.2.2 和其他文献对比实验 | 第32-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第4章 基于全卷积神经网络的道路裂纹检测算法 | 第37-48页 |
| 4.1 全卷积神经网络结构 | 第37-39页 |
| 4.2 反卷积层的设计 | 第39-41页 |
| 4.3 实验前的准备工作 | 第41-43页 |
| 4.3.1 数据集处理 | 第41-42页 |
| 4.3.2 预训练模型 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-47页 |
| 4.4.1 三种上采样网络结构对比实验 | 第43-45页 |
| 4.4.2 多种网络结构对比实验 | 第45-46页 |
| 4.4.3 GBDT与FCN裂纹分割结果的对比 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 对本文的总结 | 第48页 |
| 5.2 研究工作展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录 1 攻读硕士学位期间发表的论文 | 第55-56页 |
| 附录 2 攻读硕士学位期间参加的科研项目 | 第56-57页 |
| 详细摘要 | 第57-61页 |
