基于caffe双模型的路面裂缝识别算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 路面裂缝识别国内外研究现状 | 第9-11页 |
| 1.2.1 国外路面裂缝识别研究现状 | 第10页 |
| 1.2.2 国内路面裂缝识别研究现状 | 第10-11页 |
| 1.3 路面裂缝识别基本流程 | 第11页 |
| 1.4 本文的主要内容和安排 | 第11-13页 |
| 第二章 路面裂缝识别算法设计 | 第13-19页 |
| 2.1 裂缝图片的选择 | 第13-14页 |
| 2.2 裂缝识别的难点分析 | 第14-16页 |
| 2.3 传统算法和深度学习算法的对比优缺点 | 第16页 |
| 2.4 算法思路及复杂性分析 | 第16-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第三章 路面裂缝图像预处理 | 第19-39页 |
| 3.1 图像处理简介 | 第19-20页 |
| 3.2 图像处理目的 | 第20页 |
| 3.3 图像处理的过程 | 第20-35页 |
| 3.3.1 图片切割 | 第20-21页 |
| 3.3.2 图像滤波去噪 | 第21-26页 |
| 3.3.3 图像灰度均衡化 | 第26-29页 |
| 3.3.4 图像二值化分割 | 第29-32页 |
| 3.3.5 图像的腐蚀膨胀 | 第32-34页 |
| 3.3.6 图像尺寸归一化 | 第34-35页 |
| 3.4 舍弃的预处理方案 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 卷积神经网络 | 第39-53页 |
| 4.1 卷积神经网络特点 | 第39-41页 |
| 4.2 卷积神经网络层次 | 第41-45页 |
| 4.3 参数设置 | 第45-52页 |
| 4.3.1 权重初始化 | 第45-46页 |
| 4.3.2 激活函数 | 第46-49页 |
| 4.3.3 优化器 | 第49-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于双模型算法的路面裂缝识别 | 第53-77页 |
| 5.1 卷积神经网络的构建介绍 | 第53-54页 |
| 5.2 单模型卷积神经网络算法结构完整流程 | 第54-59页 |
| 5.3 实验结果与分析 | 第59-65页 |
| 5.3.1 权重初始化方式选择 | 第60-61页 |
| 5.3.2 激活函数选择 | 第61页 |
| 5.3.3 优化器选择 | 第61-62页 |
| 5.3.4 Dropout参数设置 | 第62-63页 |
| 5.3.5 不同输入数据的模型比较 | 第63页 |
| 5.3.6 路面裂缝识别错误案例分析 | 第63-65页 |
| 5.4 基于双模型裂缝识别算法 | 第65-75页 |
| 5.4.1 基于双模型裂缝识别的算法思路 | 第65-67页 |
| 5.4.2 改进的单模型卷积神经网络结构 | 第67-73页 |
| 5.4.3 基于双模型裂缝识别算法识别的完整流程 | 第73-75页 |
| 5.5 本文算法与其他算法比较 | 第75-76页 |
| 5.6 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 总结 | 第77页 |
| 6.2 展望 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 攻读学位期间取得的研究成果 | 第82-83页 |
| 致谢 | 第83页 |
