基于两阶段卷积神经网络的路面裂缝识别方法研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 路面裂缝识别 | 第10-11页 |
| 1.2.2 卷积神经网络 | 第11-12页 |
| 1.3 本文的主要内容 | 第12-14页 |
| 第二章 卷积神经网络基本原理 | 第14-25页 |
| 2.1 BP神经网络 | 第14-17页 |
| 2.1.1 神经元 | 第14-15页 |
| 2.1.2 神经网络 | 第15-16页 |
| 2.1.3 前向传播 | 第16页 |
| 2.1.4 反向传播 | 第16-17页 |
| 2.2 卷积神经网络 | 第17-24页 |
| 2.2.1 稀疏连接与权重共享 | 第19-20页 |
| 2.2.2 卷积层 | 第20页 |
| 2.2.3 最大池采样 | 第20-22页 |
| 2.2.4 回归算法 | 第22-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 路面裂缝图像预处理及识别方法 | 第25-37页 |
| 3.1 路面裂缝类别 | 第25-28页 |
| 3.1.1 横向裂缝 | 第25-26页 |
| 3.1.2 纵向裂缝 | 第26-27页 |
| 3.1.3 网状裂缝 | 第27-28页 |
| 3.1.4 块状裂缝 | 第28页 |
| 3.2 路面裂缝破损程度评定 | 第28-30页 |
| 3.3 路面破损图像预处理 | 第30-33页 |
| 3.3.1 灰度变换 | 第30页 |
| 3.3.2 直方图均衡化 | 第30-31页 |
| 3.3.3 中值滤波 | 第31页 |
| 3.3.4 形态学图像处理 | 第31-32页 |
| 3.3.5 预处理结果分析 | 第32-33页 |
| 3.4 路面裂缝图像特征提取 | 第33-34页 |
| 3.5 路面裂缝识别方法 | 第34-36页 |
| 3.5.1 支持向量机 | 第34-35页 |
| 3.5.2.K-近邻 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于两阶段卷积神经网络的路面裂缝识别方法 | 第37-45页 |
| 4.1 两阶段卷积神经网络模型 | 第37-38页 |
| 4.2 第一阶段样本数的确定方法 | 第38页 |
| 4.3 基于TSCNN的路面裂缝识别模型 | 第38页 |
| 4.4 实验结果 | 第38-43页 |
| 4.4.1 数据集 | 第38页 |
| 4.4.2 实验模型 | 第38-39页 |
| 4.4.3 随机选择样本数的确定方法 | 第39-40页 |
| 4.4.4 样本选取对结果的影响 | 第40-41页 |
| 4.4.5 第一阶段训练次数和样本数对结果的影响 | 第41-42页 |
| 4.4.6 模型性能测试 | 第42页 |
| 4.4.7 卷积核的选择 | 第42-43页 |
| 4.5 对比实验 | 第43-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 结论 | 第45-47页 |
| 5.1 研究工作及总结 | 第45-46页 |
| 5.2 工作展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 攻读学位期间取得的相关科研成果 | 第50-51页 |
| 致谢 | 第51-52页 |
