基于图像处理和机器学习的桥梁检测新技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景 | 第8-10页 |
| 1.2 研究现状 | 第10-16页 |
| 1.2.1 无人机技术 | 第10-11页 |
| 1.2.2 图像拼接技术 | 第11-12页 |
| 1.2.3 数字图像处理技术 | 第12-16页 |
| 1.3 目前研究存在的问题 | 第16-17页 |
| 1.4 本文研究内容 | 第17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 桥梁图像的拼接 | 第18-26页 |
| 2.1 数字图像处理的基础理论 | 第18-19页 |
| 2.2 基于相位相关法的图像拼接 | 第19-20页 |
| 2.3 基于特征点的图像拼接 | 第20-22页 |
| 2.3.1 SIFT特征 | 第20-21页 |
| 2.3.2 SURF特征 | 第21-22页 |
| 2.3.3 ORB特征 | 第22页 |
| 2.4 算法实现与实验验证 | 第22-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 桥梁病害区域的分割提取 | 第26-42页 |
| 3.1 灰度变换 | 第26-29页 |
| 3.1.1 线性变换 | 第26-27页 |
| 3.1.2 对数变换 | 第27-28页 |
| 3.1.3 灰度直方图均衡化 | 第28-29页 |
| 3.2 图像去噪 | 第29-31页 |
| 3.2.1 均值滤波法 | 第29-30页 |
| 3.2.2 中值滤波 | 第30-31页 |
| 3.3 病害区域边缘检测 | 第31-35页 |
| 3.3.1 一阶微分边缘检测算子 | 第32页 |
| 3.3.2 二阶微分边缘检测算子 | 第32-33页 |
| 3.3.3 非微分边缘检测算子 | 第33页 |
| 3.3.4 边缘检测算子结果对比 | 第33-35页 |
| 3.4 病害区域的分割提取 | 第35-40页 |
| 3.4.1 双峰法 | 第35-36页 |
| 3.4.2 迭代法 | 第36-37页 |
| 3.4.3 自适应阈值分割法 | 第37-40页 |
| 3.5 病害特征标识与特征测量 | 第40-41页 |
| 3.5.1 最小外接矩形 | 第40页 |
| 3.5.2 连通区域面积 | 第40-41页 |
| 3.5.3 圆形度 | 第41页 |
| 3.5.4 矩形度 | 第41页 |
| 3.5.5 近似宽度值 | 第41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 桥梁病害的识别 | 第42-56页 |
| 4.1 神经网络算法基本知识 | 第42-44页 |
| 4.2 BP神经网络算法 | 第44-46页 |
| 4.3 图像特征选取 | 第46-49页 |
| 4.4 图像数据获取 | 第49页 |
| 4.5 神经网络设计及识别结果 | 第49-54页 |
| 4.5.1 三层BP神经网络 | 第50-51页 |
| 4.5.2 多层BP神经网络 | 第51-53页 |
| 4.5.3 神经网络结果测试 | 第53-54页 |
| 4.6 本章小结 | 第54-56页 |
| 第五章 桥梁病害检测程序设计 | 第56-63页 |
| 5.1 系统组成模块 | 第56-57页 |
| 5.2 系统界面设计 | 第57页 |
| 5.3 系统功能设计 | 第57-58页 |
| 5.4 实例验证 | 第58-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 结论与展望 | 第63-65页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 个人简历 | 第70页 |
