[发明专利]一种基于生成式对抗网络的桥梁裂缝图像生成模型

说明书

本发明涉及一种基于生成式对抗网络的桥梁裂缝图像生成模型，包括判别子模型和生成子模型，所述判别子模型采用六层卷积层，且顺次的第一至第五层卷积层每层卷积层均采用大小为5*5的卷积核，第六层卷积层采用大小为1*1的卷积核；所述桥梁裂缝生成模型的生成子模型包括五层反卷积层，且每层卷积层均采用大小为5*5的卷积核。本发明使用多重卷积核在实施卷积操作时，避免了卷积核过小图片的整体信息缺乏连续性的情况和卷积核过大造成图片细节大量丢失这一问题，将各通道学习到的特征进行融合，可以改善各个特征图之间信息不联系的问题，同时，提升了图像后续处理的修复效果。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于生成式对抗网络的桥梁裂缝图像生成模型。

背景技术

随着交通运输业的发展，公路的养护工作变得十分的重要。桥梁作为当今社会交通枢纽的重要组成部分，不仅承担着运输重任还关系着运输人员的安危，但由于桥梁结构在长期使用中难免产生各种各样的损坏，造成桥梁结构抗力衰减和安全隐患，因此定期的检查和维护是必不可少的。裂缝是桥梁最常见的缺陷。桥梁裂缝产生的原因多种多样，主要是由于沥青路面的疲劳，同时还有不利的大气条件，可能导致材料收缩，或由于沥青混合物质量差或由于沥青混合料的弱点结构路面阻力。桥梁路面缺陷的检测是后续维护和修理的前提。为了进行桥梁裂缝的检测和修补，需要定期地拍摄桥梁缺陷图像。

对于桥梁裂缝图像的处理，由于受桥梁周围环境及采集条件如光照、相机拍摄角度及分辨率等因素的影响，采集到的图像中有很多障碍物会影响到裂缝的检测，因而取材难度大大增加。在图像处理的过程中需要对裂缝重新生成并进行判别后从而得到有效的数据。

使用深度卷积神经网络对图像进行生成，既采用了卷积神经网络的识别率高的有点，使得网络具有很好的学习能力，同时取得较好的生成效果。生成式对抗网络有两部分组成，分别是生成网络和判别网络，但是将传统的深度卷积生成式对抗网络模型用于裂缝图像的生成时，由于仅靠少量裂缝图片，生成的裂缝图像会产生模糊现象，且生成图片带有明显的网格特征，这使生成图像缺乏真实性。

判别子模型与生成裂缝图像的真伪相关。判别子模型过于简单则网络特征学习不到位，判别器性能差，生成的裂缝图像会有明显的网格现象以及失真等问题。判别子模型过于复杂则模型训练大大增加，同时由于对抗式生成网络较难训练可能会造成模型不收敛等问题.现有的深度卷积生成式对抗网络模型中的判别网络结构直接应用在裂缝图像生成方向时，由于结构过于简单从而造成了判别器性能低，识别图片是真实的图片还是生成器生成的图片的能力差，经过整个网络生成的裂缝图片严重失真，无法运用于后续裂缝识别的研究方向。

生成子模型的好坏，直接影响着整个生成式对抗网络的性能。生成子模型过于复杂会出现生成过程中的过拟合现象，使得网络的使用价值降低。在数据集数量少，数据的形态差异小的情况下，训练完成的网络只能识别特定种类特定形状的物体，即网络在生成图像后无法高效进行修复、分类等任务。反之，生成子模型过于简单则会出现生成器性能差，无法生成可用的真实度高的图片。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于生成式对抗网络的桥梁裂缝图像生成模型，使用多重卷积核在实施卷积操作时，避免了卷积核过小图片的整体信息缺乏连续性的情况和卷积核过大造成图片细节大量丢失这一问题，将各通道学习到的特征进行融合，可以改善各个特征图之间信息不联系的问题，同时，提升了图像后续处理的修复效果。本发明要解决的技术问题通过以下技术方案实现：一种基于生成式对抗网络的桥梁裂缝图像生成模型，包括判别子模型和生成子模型，所述判别子模型采用六层卷积层，且顺次的第一至第五层卷积层每层卷积层均采用大小为5*5的卷积核，第六层卷积层采用大小为1*1的卷积核；

所述生成子模型包括五层反卷积层，且每层卷积层均采用大小为5*5 的卷积核。

进一步的，所述判别子模型的第五层卷积层和第六层卷积层后分别接入一批量归一化层。

进一步的，所述生成子模型的噪声向量维数为32768。