[发明专利]一种基于生成式对抗网络的桥梁裂缝图像判别修复方法

摘要

本发明涉及具体涉及一种基于生成式对抗网络的桥梁裂缝图像判别修复方法，首先将含障碍物的裂缝图像进行障碍物位置标定，建立二进制掩膜M和反向掩膜(1‑M)，然后生成器对随机向量Z进行生成操作，得到候选修复样本集；再次，覆盖二进制掩膜M，记录语义损失，又将候选修复样本输入到判别器中得到感知损失。筛选最优向量，再对最优向量加反向掩膜后拼接。将拼接后的新图像重新输入到判别器中得到的全局损失回传，不断迭代完成循环修复操作。本发明的循环修复方法不仅考虑到了修复图像的整体真实性，同时不需要创立新的整体判别网络，降低了试验的复杂度并避免了不同网络结构间信息回传的问题。

主权项

1.一种基于生成式对抗网络的桥梁裂缝图像判别修复方法，其特征在于：包括以下步骤：步骤一、通过获取多张障碍物图像对Faster‑RCNN进行训练，然后获取多张含有障碍物的裂缝图像，并通过训练完成的Faster‑RCNN对含有障碍物的裂缝图像中的障碍物进行障碍物位置标定，并创建二进制掩膜M和反向掩膜1‑M；获取多张无障碍物的裂缝图像，通过多张无障碍物的裂缝图像对深度卷积对抗式生成网络进行训练；步骤二、随机向量Z通过已训练完成的深度卷积对抗式生成网络的生成器G生成多个随机的生成向量G(z)，然后将生成向量G(z)输入已训练完成的深度卷积对抗式生成网络的判别器D中进行判别，并得到感知损失Lp＝log(1‑D(G(z)))，将生成向量G(z)记录为候选修复样本集；步骤三、将所述含有障碍物的裂缝图像和候选修复样本集均覆盖相同的二进制掩膜M，含有障碍物的裂缝图像覆盖二进制掩膜M后得到受损图像，并根据公式(1)计算语义损失Ls：Ls＝||M⊙x‑M⊙G(z)||1     (1)其中，x为含有障碍物的裂缝图像；步骤四、将所述感知损失与语义损失加权求和，和值最小的候选样本对应的向量分布为最优向量然后将所述最优向量覆盖反向掩膜1‑M；步骤五、将所述覆盖反向掩膜1‑M的最优向量与所述受损图像进行拼接得到修复图，然后将修复图输入所述已训练完成的深度卷积对抗式生成网络的判别器D中进行判别，并根据公式(2)计算全局损失L_g：Lg(z)＝log(1‑D((1‑M)⊙G(z)+M⊙x))  (2)；步骤六、根据公式(3)计算联合损失L，将联合损失输入所述已训练完成的深度卷积对抗式生成网络的生成器G，生成器G根据联合损失采用adam优化算法对最优向量的分布进行调整；L＝Ls+λLp+μLg  (3)其中，λ为感知参数，μ为全局参数；步骤七、重复步骤二至步骤六，多次迭代后得到裂缝修复图。