公路图像的特征学习与边坡病害的检测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 课题研究意义 | 第11页 |
| 1.3 国内外研究现状 | 第11-12页 |
| 1.4 论文结构及章节安排 | 第12-16页 |
| 1.4.1 论文研究内容及主要工作 | 第12-13页 |
| 1.4.2 论文组织结构 | 第13-16页 |
| 第二章 图像特征提取与分类研究综述 | 第16-22页 |
| 2.1 传统图像特征提取算法 | 第16-19页 |
| 2.2 传统机器学习 | 第19-20页 |
| 2.3 卷积神经网络 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 公路边坡病害图像数据集 | 第22-32页 |
| 3.1 图像数据采集方法 | 第22-25页 |
| 3.2 图像预处理 | 第25-28页 |
| 3.2.1 去噪处理 | 第25-26页 |
| 3.2.2 图像增强 | 第26-28页 |
| 3.3 数据增广 | 第28-29页 |
| 3.4 数据集简介 | 第29-30页 |
| 3.5 本章小结 | 第30-32页 |
| 第四章 深度学习网络与SVM模型 | 第32-54页 |
| 4.1 深度学习网络的搭建 | 第32-35页 |
| 4.1.1 GoogLeNet网络模型 | 第32-34页 |
| 4.1.2 ResNet-101网络模型 | 第34-35页 |
| 4.2 卷积神经网络的前向计算与反向传播 | 第35-38页 |
| 4.3 深度学习网络的训练 | 第38-44页 |
| 4.3.1 实验环境 | 第39页 |
| 4.3.2 参数调整及训练过程 | 第39-44页 |
| 4.4 SVM模型 | 第44-46页 |
| 4.5 实验结果分析 | 第46-52页 |
| 4.5.1 结果可视化及对比分析 | 第46-51页 |
| 4.5.2 patch图像块的生长及结果展示 | 第51-52页 |
| 4.6 本章小结 | 第52-54页 |
| 第五章 SSD目标检测模型 | 第54-62页 |
| 5.1 数据的准备 | 第54-55页 |
| 5.2 网络的搭建与网络训练 | 第55-58页 |
| 5.3 实验结果的可视化及分析 | 第58-60页 |
| 5.4 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-65页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士学位期间科研成果目录 | 第70-71页 |
| 附页 | 第71页 |
