基于卷积神经网络的裂缝检测技术研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究的背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 基于传统数字图像处理的裂缝检测 | 第9-10页 |
| 1.2.2 基于深度学习的裂缝检测 | 第10-11页 |
| 1.3 论文的主要工作内容 | 第11-12页 |
| 1.4 本文各章节安排 | 第12-14页 |
| 2 深度学习相关理论 | 第14-24页 |
| 2.1 引言 | 第14页 |
| 2.2 深度学习概述 | 第14页 |
| 2.3 卷积神经网络 | 第14-18页 |
| 2.3.1 卷积神经网络概述 | 第14-15页 |
| 2.3.2 卷积神经网络的基本结构 | 第15-18页 |
| 2.4 基于卷积神经网络的图像分割 | 第18-23页 |
| 2.4.1 FCN | 第18-20页 |
| 2.4.2 Deeplab | 第20-21页 |
| 2.4.3 U-Net | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 基于卷积神经网络的裂缝分割算法 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 基于改进的全卷积神经网络裂缝分割算法构建 | 第24-26页 |
| 3.3 CrackNet模型训练 | 第26-30页 |
| 3.3.1 数据标注与数据增广 | 第26-28页 |
| 3.3.2 损失函数的设计 | 第28页 |
| 3.3.3 优化算法的设计 | 第28-29页 |
| 3.3.4 软硬件环境 | 第29-30页 |
| 3.4 实验结果与分析 | 第30-34页 |
| 3.4.1 特征映射可视化 | 第30-32页 |
| 3.4.2 评价指标 | 第32-33页 |
| 3.4.3与经典模型对比实验 | 第33-34页 |
| 3.5 本章小结 | 第34-36页 |
| 4 基于平行激光的非接触式裂缝测量 | 第36-48页 |
| 4.1 引言 | 第36页 |
| 4.2 平行激光测量原理 | 第36-37页 |
| 4.2.1 相机测量原理 | 第36-37页 |
| 4.2.2 平行激光测量原理 | 第37页 |
| 4.3 平行激光测量系统设计 | 第37-39页 |
| 4.3.1 激光器设计 | 第37-38页 |
| 4.3.2 系统设计 | 第38-39页 |
| 4.4 裂缝几何参数分析 | 第39-46页 |
| 4.4.1 激光光斑检测 | 第39-40页 |
| 4.4.2 裂缝细化及毛刺消除 | 第40-43页 |
| 4.4.3 裂缝长度测量 | 第43页 |
| 4.4.4 裂缝宽度测量 | 第43-44页 |
| 4.4.5 裂缝测量实验结果与分析 | 第44-46页 |
| 4.5 裂缝矢量化 | 第46页 |
| 4.6 本章小结 | 第46-48页 |
| 5 移动端智能裂缝检测系统设计与实现 | 第48-56页 |
| 5.1 引言 | 第48页 |
| 5.2 需求分析 | 第48-50页 |
| 5.2.1 系统业务需求 | 第48-49页 |
| 5.2.2 系统功能性需求 | 第49-50页 |
| 5.3 系统设计与实现 | 第50-51页 |
| 5.4 系统功能展示 | 第51-54页 |
| 5.5 本章小结 | 第54-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间主要研究成果 | 第64页 |
