| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-21页 |
| 1.1 引言 | 第17页 |
| 1.2 研究的背景及意义 | 第17-18页 |
| 1.3 国内外研究现状 | 第18-19页 |
| 1.4 本文主要工作及章节安排 | 第19-21页 |
| 第二章 线状目标检测基础理论 | 第21-33页 |
| 2.1 线状目标类型分析 | 第21-22页 |
| 2.2 传统线状目标检测算法 | 第22-26页 |
| 2.2.1 边缘检测算法 | 第22-24页 |
| 2.2.2 直线检测算法 | 第24-26页 |
| 2.3 深度学习相关理论基础 | 第26-31页 |
| 2.3.1 卷积神经网络 | 第27-29页 |
| 2.3.2 Dropout | 第29-30页 |
| 2.3.3 批归一化 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于多方向大尺度模板卷积的裂缝分割 | 第33-45页 |
| 3.1 图像阈值化 | 第33-36页 |
| 3.1.1 全局阈值算法 | 第33-34页 |
| 3.1.2 局部自适应阈值化 | 第34-36页 |
| 3.2 多方向大尺度模板介绍 | 第36-37页 |
| 3.3 算法实现 | 第37-41页 |
| 3.3.1 算法流程 | 第37-38页 |
| 3.3.2 算法流程分析 | 第38-41页 |
| 3.4 实验结果与分析 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于卷积神经网络的裂缝检测 | 第45-63页 |
| 4.1 数据准备 | 第45-49页 |
| 4.1.1 数据划分及标注 | 第45-48页 |
| 4.1.2 数据扩充 | 第48-49页 |
| 4.2 网络模型设计 | 第49-50页 |
| 4.3 网络模型改进 | 第50-54页 |
| 4.3.1 Network In Network | 第50-51页 |
| 4.3.2 Google Inception V1 | 第51-52页 |
| 4.3.3 设计CD-Net V2 | 第52-54页 |
| 4.4 训练结果及分析 | 第54-60页 |
| 4.4.1 实验条件 | 第54页 |
| 4.4.2 评价指标 | 第54-55页 |
| 4.4.3 实验结果 | 第55-59页 |
| 4.4.4 特征图可视化 | 第59-60页 |
| 4.5 单层卷积神经网络 | 第60-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第五章 基于全卷积神经网络的裂缝语义分割 | 第63-81页 |
| 5.1 全卷积神经网络介绍 | 第63-66页 |
| 5.2 基于FCN的裂缝语义分割 | 第66-68页 |
| 5.2.1 数据准备 | 第66页 |
| 5.2.2 网络模型及参数 | 第66-68页 |
| 5.3 基于U-Net的裂缝语义分割 | 第68-70页 |
| 5.3.1 U-Net介绍 | 第68-70页 |
| 5.3.2 网络模型及参数 | 第70页 |
| 5.4 训练结果及分析 | 第70-80页 |
| 5.4.1 实验条件 | 第70-71页 |
| 5.4.2 评价指标 | 第71-72页 |
| 5.4.3 实验结果 | 第72-76页 |
| 5.4.4 特征图可视化 | 第76-80页 |
| 5.5 本章小结 | 第80-81页 |
| 第六章 总结与展望 | 第81-85页 |
| 6.1 本文工作总结 | 第81-82页 |
| 6.2 未来展望 | 第82-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-91页 |
| 作者简介 | 第91-92页 |