一种基于生成式对抗网络的桥梁裂缝图像生成模型制造技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
一种基于生成式对抗网络的桥梁裂缝图像生成模型
本专利技术属于计算机视觉
，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。
技术介绍
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。
技术实现思路
为了解决现有技术中存在的上述问题，本专利技术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。本专利技术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。与现有技术相比，本专利技术的有益效果：本专利技术使用多重卷积核在实施卷积操作，5*5大小的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，取得了相对较好的效果。1*1卷积核具有对各特征通道信息进行非线性融合的特性，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。因此，本专利技术采用5*5和1*1两种卷积核，可使网络更好的学习目标图像的不同特征区域的特性，同时在加深网络的情况下，相比较5*5核大小的卷积层，参数大大减少，节约了时间成本。本专利技术判别子模型的卷积层后都接入了批量归一化层，使得梯度可以传播到每一层，从一定程度上避免了训练失败的发生，防止新增卷积层在网络的反向传播过程中造成的梯度消失或者梯度爆炸。本专利技术的生成子模型提升了裂缝图像后续处理中图像生成和修复的效果。附图说明图1是本专利技术的判别子模型结构示意图。图2a是本专利技术判别子模型的归一化结果后添加1*1卷积核的卷积层生成的不同裂缝图像。图2b是AlecRadford等人2015年提出并于2016年收入国际表征会议(ICLR)的文献unsupervisedrepresentationlearningwithdeepconvolutionalgenerativeadversarialnetworks中的生成网络结构生成的不同的裂缝图像。图2c是AlecRadford等人2015年提出并于2016年收入国际表征会议(ICLR)的文献unsupervisedrepresentationlearningwithdeepconvolutionalgenerativeadversarialnetworks中的生成网络结构判别模型添加5*5卷积核的卷积层生成的不同裂缝图像。图2d是本专利技术的判别子模型判别后生成的不同裂缝图像。图3a和图3d是结构相似的两张裂缝图像。图3b和图3e是本专利技术生成子模型添加5*5卷积核的卷积层的修复效果图。图3c和图3f是本专利技术生成子模型修复效果图。图4是本专利技术的生成子模型结构示意图。图5a是本专利技术的生成子模型添加1*1卷积核的6层卷积层生成的不同裂缝图像。图5b是AlecRadford等人2015年提出并于2016年收入国际表征会议(ICLR)的文献unsupervisedrepresentationlearningwithdeepconvolutionalgenerativeadversarialnetworks中的生成网络结构生成的不同裂缝图像。图5c是本专利技术的生成子模型生成的不同裂缝图像。具体实施方式下面结合具体实施例对本专利技术做进一步详细的描述，但本专利技术的实施方式不限于此。在本专利技术创造的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术创造和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术创造的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语本文档来自技高网...

【技术保护点】
1.一种基于生成式对抗网络的桥梁裂缝图像生成模型，其特征在于：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，且每层反卷积层均采用大小为5*5的卷积核。

【技术特征摘要】
1.一种基于生成式对抗网络的桥梁裂缝图像生成模型，其特征在于：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，且每层反卷积层均采用大小为5*5...

【专利技术属性】
技术研发人员：李良福，胡敏，
申请(专利权)人：陕西师范大学，
类型：发明
国别省市：陕西,61