[發明專利]一種基于生成對抗網絡的橋梁裂縫自動檢測方法

有效

• 申請號: 202010044919.6
• 申請日: 2020-01-15
• 公開（公告）號: CN111223087B
• 公開（公告）日: 2022-11-15
• 發明（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: 南京眾聯專利代理有限公司 32206
• 代理人: 許小莉

本發明公開了一種基于生成對抗網絡的橋梁裂縫自動檢測方法。本發明的方法包括：步驟一：搭建基于生成對抗網絡的卷積神經網絡框架：步驟二：搭建數據庫，采集橋梁裂縫信息，形成數據集；步驟三：基于全體數據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；然后將全體數據集一分為二，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，使得判別網路1和判別網絡2的損失函數最小化，更新網絡權重。本發明具有網絡參數少、處理速度快和識別精度高的優點。

技術領域：

本發明涉及一種基于生成對抗網絡的橋梁裂縫自動檢測方法，屬于結構健康監測與圖像處理領域。

背景技術：

橋梁結構在服役期限內，由于其使用環境的影響，性能不斷退化，降低其使用壽命。近年來，仍在使用年限內的橋梁發生倒塌的事故屢見不鮮。橋梁結構的規律性健康監測和養護對于延遲橋梁使用壽命，保證橋梁安全性至關重要。裂縫是反映結構安全性和耐久性的重要特征，也是橋梁安全檢測中的重要一環。根據表觀裂縫的形態可以給結構整體安全性評估提供指導。傳統的裂縫檢測方法主要是基于人工拍照檢測，這種檢測方式費時費力，效率低下，同時檢測盲區較大，人力成本較高。因此，橋梁結構裂縫的快速自動檢測具有重大的工程需求和廣闊的前景。

隨著深度學習技術的發展，其在計算機視覺領域得到了廣泛的應用。越來越多的專家學者也將深度學習技術引到土木工程結構檢測領域當中。有很多專家學者都提出使用卷積神經網絡來檢測裂縫，在實驗室環境下也得到了較好的測試結果，但是距離實際工程落地還有很長的路。究其根本原因，一方面是模型體量較大，難以實現實時檢測，未考慮到自動檢測設備的機載計算機的算力的局限性，難以有機結合；另一方面，所提模型的魯棒性和泛化能力較差，特別是對于圖像中的細微模糊裂縫，檢測能力有限。因此，具備輕量化的、高檢測精度和較好的泛化能力特點的模型，才能滿足工程應用的需要。目前來看，這種模型由于構建難度較大，還有待進一步的研究。

發明內容

本發明的目的是提供一種基于生成對抗網絡的橋梁裂縫自動檢測方法，在保證檢測精度的同時，兼顧檢測速度。同時，具有較好的泛化能力以及工程適用性。

上述的目的通過以下技術方案實現：

一種基于生成對抗網絡的橋梁裂縫自動檢測方法，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：搭建數據庫，采集橋梁裂縫信息，形成數據集；

步驟三：基于全體數據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模型的參數進行隨機初始化；然后將全體數據集一分為二，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，使得判別網路1和判別網絡2 的損失函數最小化，更新網絡權重。