基于深度学习的桥梁裂缝检测算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 引言 | 第15页 |
| 1.2 研究背景及意义 | 第15-17页 |
| 1.3 国内外研究现状 | 第17-19页 |
| 1.3.1 裂缝检测的发展及现状 | 第17-18页 |
| 1.3.2 深度学习的发展及现状 | 第18-19页 |
| 1.3.3 深度学习与裂缝检测 | 第19页 |
| 1.4 本文研究内容及章节安排 | 第19-21页 |
| 第二章 数据获取与标定 | 第21-27页 |
| 2.1 桥梁裂缝分析 | 第21页 |
| 2.2 数据获取 | 第21-23页 |
| 2.3 数据标定 | 第23-26页 |
| 2.3.1 光斑标定 | 第23页 |
| 2.3.2 半自动化的ground truth | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于传统机器学习的裂缝检测方法 | 第27-43页 |
| 3.1 引言 | 第27页 |
| 3.2 SVM原理介绍 | 第27-30页 |
| 3.3 图像预处理 | 第30-32页 |
| 3.3.1 图像灰度化 | 第30-31页 |
| 3.3.2 图像的直方图均衡化 | 第31-32页 |
| 3.4 特征提取与对比 | 第32-38页 |
| 3.4.1 灰度特征提取 | 第33-34页 |
| 3.4.2 梯度方向直方图特征提取 | 第34-35页 |
| 3.4.3 HOG特征提取 | 第35-36页 |
| 3.4.4 SIFT Flow特征提取 | 第36-37页 |
| 3.4.5 确定特征 | 第37-38页 |
| 3.5 训练与检测 | 第38-41页 |
| 3.5.1 训练样本整理 | 第38-39页 |
| 3.5.2 训练SVM分类器 | 第39-40页 |
| 3.5.3 裂缝检测 | 第40-41页 |
| 3.6 本章小结 | 第41-43页 |
| 第四章 基于CNN的裂缝检测方法 | 第43-69页 |
| 4.1 引言 | 第43页 |
| 4.2 CNN的基础理论 | 第43-48页 |
| 4.2.1 人工神经网络 | 第43-45页 |
| 4.2.2 卷积神经网络 | 第45-47页 |
| 4.2.3 深度学习框架Caffe | 第47-48页 |
| 4.3 保护带与训练数据选取 | 第48-50页 |
| 4.4 自适应阈值分割 | 第50-55页 |
| 4.4.1 图像灰度化 | 第50-51页 |
| 4.4.2 波谷阈值分割 | 第51-53页 |
| 4.4.3 梯度方向直方图过滤 | 第53-54页 |
| 4.4.4 结果展示 | 第54-55页 |
| 4.5 训练CNN网络 | 第55-62页 |
| 4.5.1 设计网络结构 | 第55-57页 |
| 4.5.2 确定训练方案 | 第57-58页 |
| 4.5.3 训练网络 | 第58-62页 |
| 4.6 裂缝检测 | 第62-63页 |
| 4.7 裂缝细化 | 第63-65页 |
| 4.8 评价指标 | 第65-66页 |
| 4.9 其它检测方法 | 第66-67页 |
| 4.10 检测结果对比 | 第67-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 研究工作总结 | 第69-70页 |
| 5.2 未来工作展望 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-76页 |
