| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 桥梁裂缝检测研究现状 | 第10-13页 |
| 1.2.2 桥梁裂缝分类与预测研究现状 | 第13-14页 |
| 1.3 本文的主要工作 | 第14-15页 |
| 1.4 本文的结构 | 第15页 |
| 1.5 课题来源 | 第15-17页 |
| 第二章 机器学习的相关理论依据 | 第17-23页 |
| 2.1 引言 | 第17-18页 |
| 2.2 机器学习和深度学习 | 第18-21页 |
| 2.2.1 PCNN简介 | 第18-19页 |
| 2.2.2 稀疏编码简介 | 第19-21页 |
| 2.3 本章小结 | 第21-23页 |
| 第三章 基于兴趣区域的桥梁裂缝检测 | 第23-39页 |
| 3.1 引言 | 第23页 |
| 3.2 基于Gabor滤波的桥梁裂缝检测的兴趣区域 | 第23-30页 |
| 3.3 基于PCNN的桥梁裂缝检测 | 第30-32页 |
| 3.4 实验结果与分析 | 第32-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第四章 基于迁移自学习的桥梁图片的快速分类方法TSTLSC | 第39-53页 |
| 4.1 引言 | 第39页 |
| 4.2 基于迁移自学习的桥梁裂缝图像分类方法 | 第39-41页 |
| 4.3 基于主成分分析和白化的数据集降维处理 | 第41-44页 |
| 4.3.1 数据集的描述 | 第41页 |
| 4.3.2 桥梁图像的特征统计分析 | 第41-42页 |
| 4.3.3 改进的主成分分析和白化 | 第42-44页 |
| 4.4 稀疏特征提取与迁移自学习分类器 | 第44-48页 |
| 4.4.2 改进稀疏编码 | 第45-47页 |
| 4.4.3 空间金字塔池化 | 第47-48页 |
| 4.4.4 线性多分类支持向量机 | 第48页 |
| 4.5 实验结果和分析 | 第48-52页 |
| 4.5.1 数据集的分析和预处理 | 第48-49页 |
| 4.5.2 主成分分析和白化 | 第49-50页 |
| 4.5.3 特征字典 | 第50页 |
| 4.5.4 分类结果 | 第50-51页 |
| 4.5.5 泛化能力和鲁棒性检验 | 第51-52页 |
| 4.5.6 桥梁状况的简单评价和预测 | 第52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-63页 |
| 致谢 | 第63-65页 |
| 攻读硕士期间的科研成果 | 第65页 |