基于数字图像的高速公路路面病害识别系统的应用研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 问题的提出 | 第10-13页 |
| 1.2 国内外相关技术的研究及现状 | 第13-17页 |
| 1.2.1 国外相关技术的研究及现状 | 第13-15页 |
| 1.2.2 国内相关技术的研究及现状 | 第15-17页 |
| 1.3 本文主要研究内容 | 第17-19页 |
| 第二章 高速公路沥青路面病害的类型及检测方法 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 高速公路沥青路面病害分类 | 第19-25页 |
| 2.2.1 沥青路面车辙病害 | 第19-20页 |
| 2.2.2 沥青路面水损害 | 第20-23页 |
| 2.2.3 沥青路面裂缝病害 | 第23-24页 |
| 2.2.4 其他病害 | 第24-25页 |
| 2.3 沥青路面病害调查方法及评定标准 | 第25-30页 |
| 2.3.1 沥青路面病害调查方法 | 第25-26页 |
| 2.3.2 沥青路面病害等级划分 | 第26-28页 |
| 2.3.3 沥青路面病害评价指标及标准 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 高速公路路面病害自动检测系统介绍 | 第31-39页 |
| 3.1 引言 | 第31页 |
| 3.2 系统的结构体系组成及硬件选择 | 第31-32页 |
| 3.3 ARAN多功能测试车各系统的功能及特点 | 第32-37页 |
| 3.3.1 测试车及电源系统 | 第33页 |
| 3.3.2 控制系统 | 第33-34页 |
| 3.3.3 ARAN各个子系统 | 第34-36页 |
| 3.3.4 ARAN9000采集软件主要特点 | 第36-37页 |
| 3.3.5 ARAN9000数据后处理软件组成 | 第37页 |
| 3.4 裂缝检测工作原理及流程图 | 第37-38页 |
| 3.4.1 裂缝检测原理 | 第37-38页 |
| 3.4.2 工作流程图 | 第38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 图像预处理 | 第39-68页 |
| 4.1 数字图像处理概述 | 第39页 |
| 4.2 图像的增强 | 第39-46页 |
| 4.2.1 图像变换增强 | 第40-42页 |
| 4.2.2 灰度变换增强 | 第42-44页 |
| 4.2.3 直方图变换增强 | 第44-46页 |
| 4.3 图像除噪 | 第46-52页 |
| 4.3.1 邻域平均法 | 第47-48页 |
| 4.3.2 中值滤波 | 第48-49页 |
| 4.3.3 空间域图像锐化 | 第49-52页 |
| 4.4 图像分割 | 第52-58页 |
| 4.4.1 图像分割概念及算法 | 第52-53页 |
| 4.4.2 数字图像的边界检测 | 第53-57页 |
| 4.4.3 灰度阈值分割 | 第57页 |
| 4.4.4 区域分割 | 第57-58页 |
| 4.5 图像复原 | 第58-66页 |
| 4.5.1 图像退化的数学模型 | 第58-61页 |
| 4.5.2 运动模糊图像复原 | 第61-66页 |
| 4.6 本章小结 | 第66-68页 |
| 第五章 基于BP神经网络的沥青路面病害识别 | 第68-74页 |
| 5.1 高速公路沥青路面裂缝信息的获取 | 第68-69页 |
| 5.1.1 沥青路面裂缝的特征 | 第68页 |
| 5.1.2 沥青路面裂缝长宽参数计算 | 第68-69页 |
| 5.2 基于BP神经网络的路面裂缝识别 | 第69-73页 |
| 5.2.1 BP神经网络的基本理论 | 第69页 |
| 5.2.2 BP神经网络的学习算法 | 第69-71页 |
| 5.2.3 根据提取特征建立BP神经网络 | 第71-72页 |
| 5.2.4 BP神经网络的训练 | 第72-73页 |
| 5.3 本章小结 | 第73-74页 |
| 第六章 工程实际应用研究 | 第74-77页 |
| 6.1 工程背景 | 第74页 |
| 6.2 数字图象处理自动检测结果分析 | 第74-77页 |
| 第七章 结论与展望 | 第77-79页 |
| 7.1 结论 | 第77-78页 |
| 7.2 展望 | 第78-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-82页 |
| 在学期间发表的论著及取得的科研成果 | 第82页 |
