| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 裂缝检测技术 | 第11-12页 |
| 1.2.2 语义分割技术 | 第12-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 相关工作介绍 | 第16-26页 |
| 2.1 深度学习概述 | 第16-17页 |
| 2.2 卷积神经网络 | 第17-19页 |
| 2.3 基于卷积神经网络的图像分割 | 第19-23页 |
| 2.3.1 FCN网络模型 | 第20-21页 |
| 2.3.2 DeepLab网络模型 | 第21-22页 |
| 2.3.3 Mask R-CNN网络模型 | 第22-23页 |
| 2.4 边界分割技术 | 第23-24页 |
| 2.5 图像语义分割算法评估指标 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于深度学习的混凝土表面裂缝图像检测与分割 | 第26-44页 |
| 3.1 图像语义分割算法架构 | 第26-28页 |
| 3.2 难分样本挑战 | 第28-30页 |
| 3.2.1 类内不一致问题 | 第28-29页 |
| 3.2.2 细小裂缝识别问题 | 第29-30页 |
| 3.3 基于RFCN的裂缝分割算法 | 第30-35页 |
| 3.3.1 RFCN网络模型设计 | 第30-32页 |
| 3.3.2 多层特征融合 | 第32-33页 |
| 3.3.3 激活函数 | 第33-34页 |
| 3.3.4 损失函数设计 | 第34-35页 |
| 3.4 实验与结果分析 | 第35-42页 |
| 3.4.1 数据集制作 | 第35-36页 |
| 3.4.2 软硬件环境配置 | 第36-37页 |
| 3.4.3 网络模型参数设置 | 第37-38页 |
| 3.4.4 评价标准 | 第38-39页 |
| 3.4.5 对比结果与分析 | 第39-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 基于图像处理技术的裂缝图像分析 | 第44-52页 |
| 4.1 裂缝图像分析内容 | 第44页 |
| 4.2 裂缝图像分析技术 | 第44-48页 |
| 4.3 实验结果 | 第48-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 缺陷智能检测原型系统设计与实现 | 第52-60页 |
| 5.1 需求分析 | 第52-55页 |
| 5.1.1 系统业务需求 | 第52页 |
| 5.1.2 系统功能性需求 | 第52-54页 |
| 5.1.3 系统非功能性需求 | 第54-55页 |
| 5.2 原型系统设计与实现 | 第55-57页 |
| 5.2.1 系统架构设计与实现 | 第55-56页 |
| 5.2.2 功能模块设计与实现 | 第56-57页 |
| 5.3 系统功能展示 | 第57-58页 |
| 5.4 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 工作总结 | 第60页 |
| 6.2 未来工作展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间取得的研究成果 | 第68页 |