[發明專利]一種基于深度卷積生成式對抗網絡的橋梁裂縫圖像生成模型

在審

• 申請號: 201810669188.7
• 申請日: 2018-06-26
• 公開（公告）號: CN109034369A
• 公開（公告）日: 2018-12-18
• 發明（設計）人: 李良福;孫瑞赟
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62;G06T11/00
• 代理公司: 西安智萃知識產權代理有限公司 61221
• 代理人: 馬瑞

本發明涉及一種基于深度卷積生成式對抗網絡的橋梁裂縫圖像生成模型，包括生成子模型和判別子模型，生成子模型和判別子模型進行訓練；生成子模型依次包括全連接層、維度轉換層、第一轉置卷積層、第二轉置卷積層、第三轉置卷積層、第四轉置卷積層和第五轉置卷積層；判別子模型依次包括第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層、第六卷積層、第七卷積層和Sigmoid激活函數層。本發明的橋梁裂縫圖像生成模型最生成的裂縫圖像清晰，基本無網格現象，與真實采集到的裂縫圖像相似度極高。本發明的判別子模型加入1x1的卷積核可以在不改變特征圖大小的情況下進行降維，減少參數的個數，從而降低計算時間。

技術領域

本發明屬于計算機視覺技術領域，具體涉及一種基于深度卷積生成式對抗網絡的橋梁裂縫圖像生成模型。

背景技術

交通運輸是經濟發展的基本需要和先決條件，現代社會的生存基礎和文明標志，工業發展的基礎設施和重要紐帶，關系著國家經濟的發展，承載著社會進步的命脈^[1]。我國公路橋梁的管理中一直是重視建設，忽視養護，并且隨著交通事業的不斷進步，高速公路交通流量的迅速增長給高速公路橋梁的運營安全帶來巨大的壓力，這樣的壓力會導致加快橋梁與道路老化的速度，造成安全隱患。橋梁的質量安全關系國計民生，關系千家萬戶^[3]。因此，橋梁的維護和管理成為保障橋梁安全運營的關鍵。已有研究表明，大部分的混凝土橋梁的損壞由裂縫導致，因此對混凝土橋梁裂縫的檢測與分割非常重要。

眾所周知，深度學習中的網絡模型一般涉及的權重參數眾多，在訓練樣本不足的情況下很容易出現欠擬合的情況。因此，我們必須建立有充足樣本的數據集。但是，到目前為止，全球沒有公開的、適用于復雜背景研究的橋梁路面裂縫數據集，如果直接用人工的方式大量采集，不僅工作量極大，而且效率極低。目前,由Alec Radford等人提出的深度卷積生成式對抗網絡(DCGAN)是人工智能領域的一個研究熱點,已經被成功應用于生成全新的圖像。但文獻[Radford A,Metz L,Chintala S.Unsupervised representation learningwith deep convolutional generative adversarial networks[J].Computer Science,2015.]中的DCGAN模型適用于生成64x64大小、類似cifar-10、SVHN數據集的圖像，對于256x256大小、具有線性拓撲結構的橋梁路面裂縫圖像的生成不能取得滿意的效果，甚至無法生成。

發明內容

為了解決現有技術中存在的上述問題，本發明提供了一種基于深度卷積生成式對抗網絡的橋梁裂縫圖像生成模型， (Bridge-Crack-Image-Generative-Model)，簡稱BCIGM。本發明要解決的技術問題通過以下技術方案實現：一種基于深度卷積生成式對抗網絡的橋梁裂縫圖像生成模型，包括生成子模型和判別子模型，所述生成子模型依次包括全連接層、維度轉換層、第一轉置卷積層、第二轉置卷積層、第三轉置卷積層、第四轉置卷積層和第五轉置卷積層；第一轉置卷積層、第二轉置卷積層、第三轉置卷積層、第四轉置卷積層和第五轉置卷積層的卷積核大小均為5x5，步幅均為2，卷積核數目依次為512、256、128、64、3；

進一步的，所述判別子模型依次包括第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層、第六卷積層、第七卷積層和Sigmoid 激活函數層；第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層和第六卷積層的卷積核大小均為5x5，步幅均為2，卷積核數目依次為64、128、256、512、1024、2048；

所述第七卷積層的卷積核大小為1x1。

進一步的，所述第一轉置卷積層、第二轉置卷積層、第三轉置卷積層和第四轉置卷積層轉置卷積后均使用SeLU激活函數。

進一步的，所述第一卷積層、第二卷積層、第三卷積層、第四卷積層、第五卷積層、第六卷積層和第七卷積層均為全卷積層。