[发明专利]基于条件滤波GAN的桥梁裂缝检测及分类方法

说明书

本发明涉及一种基于条件滤波GAN网络的桥梁裂缝检测及分类方法，涉及裂缝检测技术领域，包括以下步骤：S1：依照三类桥梁危险等级，各选取适量图片，并添加对应标签，根据实际情况选取图像像素，建立数据库，所述三类桥梁危险等级包括线状裂缝、块状裂缝和网状裂缝；S2：建立条件滤波GAN网络；S3：训练判别器D和生成器G，在训练的过程中采用固定一方，更新另一方的网络权重，交替迭代；S4：输入待分类图片到条件滤波GAN网络，输出对应标签，得出分类结果。

技术领域

本发明属于桥梁裂缝的分类技术领域，涉及一种基于条件滤波GAN的桥梁裂缝检测及分类方法。

背景技术

随着我国经济发展、城市化进程的加快、高铁等国家工程飞速发展，在公路、铁路或是城市农村水利建设中，修建的跨越式障碍的各类桥梁数目日益激增，桥梁在国民经济发展中起着举足轻重的作用，同时也是我国综合实力的一种体现。由于桥梁的普遍存在性，桥体的结构性和持久性不容忽视。裂缝作为一种主要的桥体结构性病害特征，对桥体结构的耐久性和安全性产生的危害最大，因此，裂缝使其健康状况的主要评价指标之一。

目前的裂缝检测分类方法也各种各样，大部分算法利用的基本特征是一致的，而且算法的流程也大致相同：预处理，裂缝区域检测与分割，后处理与特征描述，运用分类算法进行分类，现有的桥梁裂缝检测分类算法仍存在较多缺陷，远不能满足其需求。

生成式对抗网络处理图像有以下四个优势：

1、根据实际的结果，它们看上去可以比其它模型产生了更好的样本(图像更锐利、清晰)。

2、生成对抗式网络框架能训练任何一种生成器网络。

3、不需要设计遵循任何种类的因式分解的模型，任何生成器网络和任何鉴别器都会有用。

4、无需利用马尔科夫链反复采样，无需在学习过程中进行推断，回避了近似计算棘手的概率的难题。

然而，CGAN这种不需要预先建模的方法缺点是太过自由了，对于较大的图片，较多的pixel的情形，基于简单GAN的方式就不太可控了。为了解决GAN太过自由这个问题，就是给GAN加一些约束，于是便有了CGAN。CGAN强大之处在于可以自动的学习原始真实样本集的数据分布，对于大批量图像数据可以进行简单有效的分类。

可以将CGAN看作条件滤波GAN的一个特例，条件滤波GAN直接使用可观测变量(例如，属性存在的二进制指示符)来表示属性，因此其可控性极强，为生成具有明显几何特征的标签图形提供便利。属性的变化是不可选择的时候，它具有与CGAN相同的体系结构，因此，条件滤波GAN可以被看作是CGAN的自然延伸。

简言之，用于检测裂缝的特征多种多样，但是简单而又高效的检测进而进行裂缝分类是一个难点。如何生成准确高效的分类模型，从而快速判断桥梁裂缝类型都是非常具有挑战性的问题。

发明内容

有鉴于此，本发明提供了一种基于条件滤波GAN网络的桥梁裂缝检测及分类方法，条件滤波GAN网络，不仅富有表现力，更具有属性的可控性，我们可以通过GAC生成或编辑图像，同时直观地控制属性的变化。而且如此可控，以至于可以直观地找到并获得期望的具有明显几何特征的标签图像。进而准确高效的进行桥梁裂缝分类。

为达到上述目的，本发明提供如下技术方案：

一种基于条件滤波GAN网络的桥梁裂缝检测及分类方法，包括以下步骤：

S1：依照三类桥梁危险等级，各选取适量图片，并添加对应标签，根据实际情况选取图像像素，建立数据库，所述三类桥梁危险等级包括线状裂缝、块状裂缝和网状裂缝；

S2：建立条件滤波GAN网络；

S3：训练判别器D和生成器G，在训练的过程中采用固定一方，更新另一方的网络权重，交替迭代；