基于三维点云及图像数据的路面裂缝检测关键技术研究
摘要 | 第4-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第11-22页 |
1.1 课题研究背景和意义 | 第11-12页 |
1.2 路面裂缝检测国内外研究现状 | 第12-18页 |
1.2.1 常见的裂缝图像检测方法 | 第15-17页 |
1.2.2 三维激光扫描技术 | 第17-18页 |
1.3 目前裂缝检测技术存在的问题 | 第18-19页 |
1.4 论文技术路线和主要研究内容 | 第19-22页 |
第二章 三维路面点云数据的滤波处理 | 第22-39页 |
2.1 三维点云数据简介 | 第22-25页 |
2.1.1 点云数据格式类型 | 第22-23页 |
2.1.2 点云数据处理平台 | 第23-25页 |
2.2 三维路面点云数据的噪声特征分析 | 第25-26页 |
2.2.1 路面点云数据的噪声分类 | 第25-26页 |
2.2.2 常见的点云数据滤波方法 | 第26页 |
2.3 三维路面点云数据的大尺度滤波 | 第26-30页 |
2.3.1 大尺度滤波具体实现 | 第26-28页 |
2.3.2 大尺度滤波实验结果 | 第28-30页 |
2.4 三维路面点云数据的小尺度滤波 | 第30-37页 |
2.4.1 经典双边滤波 | 第30-31页 |
2.4.2 小尺度滤波具体实现 | 第31-32页 |
2.4.3 小尺度滤波实验结果 | 第32-35页 |
2.4.4 实验结果分析 | 第35-37页 |
2.5 本章小结 | 第37-39页 |
第三章 三维路面点云数据的裂缝提取 | 第39-59页 |
3.1 三维裂缝特征分析 | 第39-41页 |
3.2 常见的裂缝图像提取算法 | 第41-45页 |
3.2.1 图像分割理论 | 第41-43页 |
3.2.2 分形维数理论 | 第43-44页 |
3.2.3 边缘检测理论 | 第44-45页 |
3.3 基于分数阶微分的三维裂缝提取 | 第45-50页 |
3.3.1 分数阶微分理论 | 第45-47页 |
3.3.2 三维裂缝提取 | 第47-50页 |
3.4 实验结果分析 | 第50-57页 |
3.4.1 实验评价体系 | 第50-51页 |
3.4.2 实验数据分析 | 第51-57页 |
3.5 本章小结 | 第57-59页 |
第四章 三维裂缝的形状参数计算及特征分析 | 第59-80页 |
4.1 三维裂缝的形状参数分析 | 第59-60页 |
4.2 裂缝平面参数计算 | 第60-66页 |
4.2.1 裂缝最优外接矩形 | 第60-61页 |
4.2.2 裂缝平面形状参数计算 | 第61-64页 |
4.2.3 实验结果分析 | 第64-66页 |
4.3 裂缝深度参数计算 | 第66-74页 |
4.3.1 特征值平面拟合算法 | 第67-69页 |
4.3.2 随机采样一致性算法(RANSAC) | 第69-70页 |
4.3.3 三维裂缝的平面拟合算法 | 第70-73页 |
4.3.4 实验结果分析 | 第73-74页 |
4.4 裂缝特征分析 | 第74-78页 |
4.4.1 裂缝面积比例定义 | 第74-75页 |
4.4.2 裂缝分布密度定义 | 第75-76页 |
4.4.3 裂缝分类模型 | 第76-78页 |
4.5 本章小结 | 第78-80页 |
第五章 路面裂缝图像的分类研究 | 第80-91页 |
5.1 深度神经网络简介 | 第80-85页 |
5.1.1 深度神经网络分类 | 第80-82页 |
5.1.2 基于神经网络的裂缝分类 | 第82-83页 |
5.1.3 卷积神经网络模型简介 | 第83-85页 |
5.2 裂缝图像的分类模型 | 第85-88页 |
5.2.1 裂缝分类模型构成 | 第85-87页 |
5.2.2 模型训练过程 | 第87-88页 |
5.3 实验结果分析 | 第88-89页 |
5.3.1 实验环境与数据 | 第88页 |
5.3.2 裂缝分类结果分析 | 第88-89页 |
5.4 本章小结 | 第89-91页 |
第六章 总结与展望 | 第91-93页 |
参考文献 | 第93-108页 |
博士期间研究成果 | 第108-110页 |
论文成果 | 第108-109页 |
发明专利 | 第109页 |
参与基金及项目 | 第109-110页 |
致谢 | 第110页 |