基于深度学习的公路裂缝识别研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 公路裂缝识别现状 | 第9-11页 |
| 1.3 深度学习研究现状 | 第11-13页 |
| 1.4 本文的主要工作内容 | 第13-14页 |
| 第2章 深度学习模型理论 | 第14-24页 |
| 2.1 深度学习概念 | 第14-15页 |
| 2.2 深度学习方法思想 | 第15-16页 |
| 2.3 神经网络和深度学习 | 第16-17页 |
| 2.4 深度学习网络训练过程 | 第17-18页 |
| 2.4.1 无监督学习 | 第17-18页 |
| 2.4.2 有监督学习 | 第18页 |
| 2.5 深度学习常用模型 | 第18-23页 |
| 2.5.1 自动编码器 | 第19-21页 |
| 2.5.2 受限玻尔兹曼机 | 第21-22页 |
| 2.5.3 深信度网络 | 第22-23页 |
| 2.5.4 卷积神经网络 | 第23页 |
| 2.6 章节总结 | 第23-24页 |
| 第3章 基于卷积神经网络的公路裂缝识别方法 | 第24-38页 |
| 3.1 引言 | 第24页 |
| 3.2 CNN网络架构 | 第24-25页 |
| 3.3 卷积过程模型 | 第25-29页 |
| 3.3.1 传统卷积模型 | 第25-26页 |
| 3.3.2 改进的卷积结构 | 第26-29页 |
| 3.4 聚合模型 | 第29-31页 |
| 3.4.1 经典的聚合模型 | 第29页 |
| 3.4.2 改进的聚合模型 | 第29-31页 |
| 3.5 决策树分类 | 第31-32页 |
| 3.6 实验结果与分析 | 第32-37页 |
| 3.6.1 传统CNN方法 | 第32-34页 |
| 3.6.2 OSTU和CNN相结合的方法 | 第34-35页 |
| 3.6.3 改进的CNN方法 | 第35-37页 |
| 3.7 章节总结 | 第37-38页 |
| 第4章 基于多通道卷积神经网络的公路裂缝识别方法 | 第38-52页 |
| 4.1 引言 | 第38-39页 |
| 4.2 裂缝图像纹理特征抽取 | 第39-42页 |
| 4.2.1 全局裂缝特征抽取 | 第40-41页 |
| 4.2.2 局部特征提取 | 第41-42页 |
| 4.3 CNN网络模型训练 | 第42-45页 |
| 4.3.1 CNN模型结构及特点 | 第42-43页 |
| 4.3.2 信息的正向传播 | 第43-44页 |
| 4.3.3 误差的反向传播 | 第44-45页 |
| 4.4 PCA降维 | 第45-46页 |
| 4.5 Softmax分类器 | 第46-47页 |
| 4.6 实验及分析 | 第47-50页 |
| 4.7 章节总结 | 第50-52页 |
| 第5章 总结与展望 | 第52-53页 |
| 5.1 工作总结 | 第52页 |
| 5.2 未来工作展望 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间的研究成果 | 第59页 |
