| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 路面检测系统研究现状 | 第11-16页 |
| 1.2.1 国外检测系统的发展及现状 | 第11-14页 |
| 1.2.2 国内检测系统的发展及现状 | 第14-16页 |
| 1.3 路面检测识别技术研究现状 | 第16-19页 |
| 1.3.1 基于传统数字图像处理方法 | 第16-17页 |
| 1.3.2 基于神经网络方法 | 第17页 |
| 1.3.3 基于机器视觉的裂缝识别方法 | 第17-18页 |
| 1.3.4 基于深度学习裂缝检测方法 | 第18-19页 |
| 1.4 本文的主要工作 | 第19-21页 |
| 第2章 深度学习理论 | 第21-34页 |
| 2.1 深度学习 | 第21-22页 |
| 2.2 卷积神经网络基本原理 | 第22-24页 |
| 2.2.1 局部连接和权值共享 | 第23-24页 |
| 2.2.2 子采样操作 | 第24页 |
| 2.3 CNN的整体框架 | 第24-31页 |
| 2.3.1 卷积层 | 第24-26页 |
| 2.3.2 池化层 | 第26页 |
| 2.3.3 激活层 | 第26-27页 |
| 2.3.4 全连接层 | 第27-28页 |
| 2.3.5 Softmax层 | 第28页 |
| 2.3.6 Softmax损失和随机梯度下降 | 第28-31页 |
| 2.4 深度学习目标检测 | 第31-33页 |
| 2.5 小结 | 第33-34页 |
| 第3章 基于CNN的混凝土路面裂缝分类 | 第34-44页 |
| 3.1 CNN混凝土路面裂缝检测框架 | 第34-36页 |
| 3.2 实验数据 | 第36-40页 |
| 3.2.1 数据采集 | 第36-37页 |
| 3.2.2 图像预处理 | 第37-40页 |
| 3.3 实验结果 | 第40-43页 |
| 3.3.1 基本配置 | 第40页 |
| 3.3.2 结果分析 | 第40-43页 |
| 3.4 小结 | 第43-44页 |
| 第4章 基于Faster R-CNN混凝土路面裂缝检测 | 第44-55页 |
| 4.1 Faster R-CNN模型的总体架构 | 第44-47页 |
| 4.1.1 CNN层特征提取 | 第45-46页 |
| 4.1.2 区域建议网络(RPN) | 第46-47页 |
| 4.1.3 Fast R-CNN探测器 | 第47页 |
| 4.2 模型训练 | 第47-50页 |
| 4.2.1 RPN训练 | 第47-48页 |
| 4.2.2 训练模型 | 第48-49页 |
| 4.2.3 模型评估 | 第49-50页 |
| 4.3 实验结果 | 第50-54页 |
| 4.3.1 数据标注 | 第50-51页 |
| 4.3.2 结果分析 | 第51-54页 |
| 4.4 小结 | 第54-55页 |
| 第5章 结论与展望 | 第55-57页 |
| 5.1 全文总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 作者简介 | 第62页 |
| 攻读硕士学位期间发表的论文和参加科研情况 | 第62-63页 |