| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 灌缝机的国内外研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-15页 |
| 1.3 裂缝检测技术的研究现状 | 第15-17页 |
| 1.4 存在的问题 | 第17-18页 |
| 1.5 本文主要研究内容及章节安排 | 第18-20页 |
| 2 相关技术综述 | 第20-34页 |
| 2.1 传统分割方法 | 第20-21页 |
| 2.2 基于卷积神经网络的分割方法 | 第21-28页 |
| 2.2.1 卷积神经网络模型 | 第21-24页 |
| 2.2.2 卷积神经网络的基本结构 | 第24-28页 |
| 2.3 基于全卷积神经网络的分割方法 | 第28-32页 |
| 2.3.1 深度卷积神经网络结构 | 第29页 |
| 2.3.2 全卷积神经网络 | 第29-30页 |
| 2.3.3 上采样(Upsampling) | 第30-31页 |
| 2.3.4 跳跃结构(Skip Architecture) | 第31-32页 |
| 2.4 深度学习框架 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 3 基于crack-FCN网络的裂缝分割 | 第34-48页 |
| 3.1 问题描述 | 第34页 |
| 3.2 基础FCN网络算法概述 | 第34-36页 |
| 3.3 crack-FCN网络模型 | 第36-37页 |
| 3.3.1 模型结构介绍 | 第36-37页 |
| 3.3.2 crack-FCN模型参数 | 第37页 |
| 3.4 建立图像数据库 | 第37-40页 |
| 3.4.1 图像的获取 | 第38-39页 |
| 3.4.2 图像的标注 | 第39-40页 |
| 3.5 实验及分析 | 第40-47页 |
| 3.5.1 实验过程 | 第40-41页 |
| 3.5.2 参数设置 | 第41页 |
| 3.5.3 评价指标 | 第41-42页 |
| 3.5.4 训练结果 | 第42-45页 |
| 3.5.5 测试结果 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 4 基于VGG-U-net网络的裂缝分割 | 第48-58页 |
| 4.1 网络模型结构 | 第48-50页 |
| 4.1.1 U-net介绍 | 第48-49页 |
| 4.1.2 U-net网络结构 | 第49-50页 |
| 4.2 基于VGG16的U-net网络 | 第50-52页 |
| 4.2.1 模型结构 | 第50-51页 |
| 4.2.2 模型算法过程 | 第51-52页 |
| 4.3 实验及分析 | 第52-57页 |
| 4.3.1 实验过程 | 第52-53页 |
| 4.3.2 评价指标 | 第53页 |
| 4.3.3 结果分析 | 第53-55页 |
| 4.3.4 测试结果 | 第55-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 工作总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 个人简介、在校期间发表的学术论文与研究成果 | 第63-64页 |
| 致谢 | 第64页 |