[發(fā)明專利]一種基于生成對抗網絡的橋梁裂縫自動檢測方法

有效

• 申請?zhí)枺?/td>: 202010044919.6
• 申請日: 2020-01-15
• 公開（公告）號: CN111223087B
• 公開（公告）日: 2022-11-15
• 發(fā)明（設計）人: 張建;何至立;倪富陶
• 申請（專利權）人: 東南大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 許小莉

1.一種基于生成對抗網絡的橋梁裂縫自動檢測方法，其特征在于，該方法包括如下步驟：

步驟一：搭建基于生成對抗網絡的卷積神經網絡框架：所述卷積神經網絡框架由生成網絡1、判別網絡1和判別網絡2組成，將生成網絡1和判別網絡1合稱為“分支網絡”，將生成網絡1、判別網絡1和判別網絡2這三個子網絡統(tǒng)稱為整體網絡，其中，生成網絡1用于提取圖像特征，判別網絡1用于預測裂縫，判別網絡2用于增強判別網絡1對裂縫的檢測效果；

步驟二：搭建數(shù)據(jù)庫，采集橋梁裂縫信息，形成數(shù)據(jù)集；

步驟三：基于全體數(shù)據(jù)集對分支網絡進行預訓練，同時保留每個訓練批次的訓練模型；

步驟四：對步驟三的訓練模型中選擇效果最好的訓練模型，將該效果最好的訓練模型權重復原到整體網絡的對應網絡中，即三個子網絡中，其中判別網絡2模型的參數(shù)進行隨機初始化；然后將全體數(shù)據(jù)集一分為二，開始對抗訓練，每輪對抗訓練中分支網絡和判別網絡2交替各訓練1次，并交替更新分支網絡和判別網絡2的參數(shù)，使得判別網路1和判別網絡2的損失函數(shù)最小化，更新網絡權重。

2.根據(jù)權利要求1所述的基于生成對抗網絡的橋梁裂縫自動檢測方法，其特征在于，步驟一中所述的卷積神經網絡框架中，生成網絡1為一種編碼-解碼網絡，包括密集連接塊、下采樣層和上采樣層三個個基本組成模塊；所述密集連接塊由多層卷積經過多次連接組成；所述下采樣層由卷積層和最大池化層組成，每通過一次下采樣，張量的x和y維度均縮小1倍；所述上采樣層由轉置卷積構成，每通過一次上采樣，張量的x和y維度均擴大1倍；所述卷積神經網絡框架中，密集連接塊有4個，層數(shù)分別為4、4、5和5層，所述下采樣層和上采樣層各有3個；所述判別網絡1輸出深度為1的張量，為模型預測結果；所述判別網絡2輸出為預測裂縫結果和真值在經過判別網絡2映射后的差異。

3.根據(jù)權利要求2所述的基于生成對抗網絡的橋梁裂縫自動檢測方法，其特征在于，步驟一中所述的卷積神經網絡框架中，生成網絡1：每一個密集連接塊中，張量通過每一個卷積層之前，都會先進行批標準操作和線性激活處理；每一個下采樣層，張量都會經過批標準化→線性激活→卷積層→dropout操作→最大池化層；

判別網絡1：張量的基本操作為：批標準化→線性激活→卷積層；

判別網絡2：張量的基本操作為：批標準化→Leakyrelu函數(shù)→卷積層，最后為全連接層；

批標準化層的使得每層的神經網絡的神經元輸入值分布滿足標準正態(tài)分布，其基本公式如下所示：

式中：x_i表示輸入數(shù)據(jù)，μ_B表示均值，σ_B表示標準差，為符合標準正態(tài)分布的結果，γ和β為可學習重構參數(shù)，

線性激活公式如下所示：

LeakyRelu函數(shù)是線性激活的一種變式，用于避免在x＜0時，不能學習的情況，其公式如下，α通常為非常小的正數(shù)，網絡中取α＝0.2：

f(x)＝max(αx,x)

Dropout操作是指訓練過程中，隨機將一部分神經網絡單元暫時從網絡中丟棄，削弱神經元節(jié)點之間的聯(lián)合適應性，防止過擬合，網絡中，神經元暫時丟棄的比例為20％。

4.根據(jù)權利要求1所述的基于生成對抗網絡的橋梁裂縫自動檢測方法，其特征在于，步驟二中所述采集橋梁裂縫信息，形成數(shù)據(jù)集的過程中，首先對采樣圖像進行x和y方向的平移裁剪圖像增強數(shù)據(jù)集，然后對50％的訓練和測試圖像進行均值濾波模糊處理，均值濾波的卷積核尺寸為4×4，下式中M(x_a+i,y_b+j)表示(x_a+i,y_b+j)處的濾波前的像素值，M₁(x_a,y_b)表示(x_a,y_b)處的濾波后的像素值，F(xiàn)(i,j)則表示卷積核系數(shù)：