| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-21页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 桥梁安全状态检测方法 | 第10-14页 |
| 1.2.1 常规桥梁检测方法 | 第10-12页 |
| 1.2.2 新型非接触式桥梁检测技术 | 第12-14页 |
| 1.3 近景摄影测量与图像拼接的发展及应用 | 第14-19页 |
| 1.3.1 近景摄影测量研究现状和特点 | 第14-18页 |
| 1.3.2 图像拼接的发展与应用 | 第18-19页 |
| 1.4 本文研究课题来源和主要研究内容 | 第19-21页 |
| 第二章 钢桁-砼组合梁受载性能试验与形态获取方法 | 第21-42页 |
| 2.1 试验梁的设计与制作 | 第21-27页 |
| 2.1.1 试验目的 | 第21页 |
| 2.1.2 试验梁的设计 | 第21-24页 |
| 2.1.3 试验梁的制作 | 第24-27页 |
| 2.2 试验梁在不同状况下的加载方法 | 第27-31页 |
| 2.2.1 无损伤梁的加载试验 | 第27-28页 |
| 2.2.2 试验梁的损伤工况与加载方法 | 第28-31页 |
| 2.3 试验梁位移测试与形态数据采集 | 第31-41页 |
| 2.3.1 常规测试方法 | 第31-37页 |
| 2.3.2 形态图像数据采集方法 | 第37-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第三章 试验梁的图像拼接与影像轮廓线叠差分析方法 | 第42-82页 |
| 3.1 试验梁图像拼接基本原理 | 第42-47页 |
| 3.1.1 图像拼接原理 | 第42-44页 |
| 3.1.2 现有图像拼接技术 | 第44-47页 |
| 3.2 基于边缘灰度特征匹配的图像拼接 | 第47-56页 |
| 3.2.1 灰度矩阵 | 第48-50页 |
| 3.2.2 边缘特征的提取和特征列向量的拼接 | 第50-51页 |
| 3.2.3 基于边缘灰度特征的碎纸片拼接实现 | 第51-56页 |
| 3.3 基于改进SIFT算法的全息图像拼接 | 第56-68页 |
| 3.3.1 SIFT算法基本概念 | 第56-59页 |
| 3.3.2 基于SIFT算法的实验结果 | 第59-62页 |
| 3.3.3 基于改进的SIFT算法的图像拼接 | 第62-66页 |
| 3.3.4 改进算法下的试验梁图像拼接 | 第66-68页 |
| 3.4 图像全息边缘轮廓线叠差分析 | 第68-76页 |
| 3.4.1 试验梁原始轮廓线获取 | 第68-71页 |
| 3.4.2 各工况下全息变形曲线的叠差提取方法 | 第71-76页 |
| 3.5 影像轮廓线与传统位移计测量结果的误差对比 | 第76-81页 |
| 3.6 本章小结 | 第81-82页 |
| 第四章 基于异常变形的结构损伤识别方法 | 第82-115页 |
| 4.1 常规损伤识别方法 | 第82-87页 |
| 4.1.1 全局损伤识别方法 | 第82-84页 |
| 4.1.2 局部损伤识别方法 | 第84-85页 |
| 4.1.3 机器学习及计算智能的损伤识别方法 | 第85-86页 |
| 4.1.4 问题与研究思路 | 第86-87页 |
| 4.2 基于BP神经网络应用的结构损伤识别 | 第87-94页 |
| 4.2.1 神经网络简介 | 第87-88页 |
| 4.2.2 BP神经网络基本原理 | 第88-92页 |
| 4.2.3 基于BP神经网络的结构损伤识别原理 | 第92-93页 |
| 4.2.4 神经网络的结构设计 | 第93-94页 |
| 4.3 影像变形下结构损伤识别方法探索 | 第94-113页 |
| 4.3.1 人工神经网络工作步骤 | 第94-96页 |
| 4.3.2 基于Gauss-Newton的改进BP神经网络 | 第96页 |
| 4.3.3 异常变形状态下的损伤识别结果 | 第96-113页 |
| 4.4 本章小结 | 第113-115页 |
| 第五章 结论与展望 | 第115-117页 |
| 5.1 结论 | 第115-116页 |
| 5.2 展望 | 第116-117页 |
| 致谢 | 第117-118页 |
| 参考文献 | 第118-120页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第120页 |