The invention relates to a method for detecting and removing obstacles in bridge crack images based on a generative countermeasure network. The first step is to collect multiple sets of obstacle pictures and add labels to input Faster_RCNN for training, collect multiple crack pictures containing obstacles and calibrate the position of obstacles through Faster_RCNN. Step 2. Acquisition of a number of obstacle-free crack pictures by flipping to expand the data set; Step 3. Enter the expanded data set into the training crack generation model of the Generative Countermeasure Network; Step 4. Erase the information of the location of the obstacle in the crack picture containing obstacles to get the damaged image; Step 5. Will be damaged. After the image input cycle discriminant repair model is iterated, the repaired crack image is obtained. The invention can accurately detect and remove the obstacle information in the crack image, and the restored crack image can increase the peak signal-to-noise ratio by 0.6-0.9 dB compared with the previous peak signal-to-noise ratio, thereby realizing the generation of a large number of crack images with high restoration degree under the condition of limited crack data sets.
【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障碍物检测与去除的方法
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障碍物检测与去除的方法。
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。近几年,在物体检测和识别方向上取得重要成果的深度学习也逐渐被用到了桥梁裂缝的检测中。要训练一个对各种形式的裂缝识别精度都很高的神经网络,前期需要大量的数据作为支撑。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。因此对原图像去除遮挡物变得十分有意义。由于人工手动对图像中含障碍物的区域擦除后再进行图像缺失部分补全的方式效率低,因此研究采用计算机视觉的方式自动进行障碍物图像的补全具有重要的应用前景。图像的补全属于图像修复的一种形式,其修复对象是纹理信息有部分缺失的图像。近年来国内外在此领域也开展了诸多相关研究。期刊ACM在2000年PP417–424页中发表了Bertalmioetal. ...
【技术保护点】
1.一种基于生成式对抗网络的桥梁裂缝图像障碍物检测与去除的方法,其特征在于:包括以下步骤:步骤一、通过图像采集装置采集多张集障碍物图片后,另采集多张含有障碍物的裂缝图片,将所述障碍物图片添加标签后输入Faster‑RCNN中进行训练;通过训练完成的Faster‑RCNN对多张含有障碍物的裂缝图片进行障碍物位置标定,并记录单张含有障碍物的裂缝图片的识别率;步骤二、通过图像采集装置采集多张无障碍物的裂缝图片,通过将每张图片翻转后以扩增无障碍物的裂缝图片的数据集;步骤三、将扩增后的无障碍物的裂缝图片输入深度卷积对抗式生成网络训练裂缝生成模型;步骤四、将所述识别率大于百分之九十的含有障碍物的裂缝图片的障碍物所在位置进行信息擦除,得到受损图像;步骤五、将所述受损图像输入循环判别修复模型进行迭代后获得修复后的裂缝图像;所述循环判别修复模型以所述已训练完成的裂缝生成模型为网络框架。
【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障碍物检测与去除的方法,其特征在于:包括以下步骤:步骤一、通过图像采集装置采集多张集障碍物图片后,另采集多张含有障碍物的裂缝图片,将所述障碍物图片添加标签后输入Faster-RCNN中进行训练;通过训练完成的Faster-RCNN对多张含有障碍物的裂缝图片进行障碍物位置标定,并记录单张含有障碍物的裂缝图片的识别率;步骤二、通过图像采集装置采集多张无障碍物的裂缝图片,通过将每张图片翻转后以扩增无障碍物的裂缝图片的数据集;步骤三、将扩增后的无障碍物的裂缝图片输入深度卷积对抗式生成网络训练裂缝生成模型;步骤四、将所述识别率大于百分之九十的含有障碍物的裂缝图片的障碍物所在位置进行信息擦除,得到受损图像;步骤五、将所述受损图像输入循环判别修复模型进行迭代后获得修复后的裂缝图像;所述循环判别修复模型以所述已训练完成的裂缝生成模型为网络框架。2.根据权利要求1所述的方法,其特征在于:所述步骤五的具体步骤为:步骤5.1,构造值在[-1,1]区间内随机分布的与所述含有障碍物的裂缝图片数量相同的维数的随机向量Z(n)={Z(1),Z(2),...,Z(n)},n为正整数,通过所述已训练完成的裂缝生成模型的生成器G对随机向量Z(n)进行生成,输出生成向量G(z);步骤5.2,将所述生成向量G(z)和受损图像均覆盖相同的距离加权修复掩膜,并计算加权语义损失Ls:其中,Md为加距离加权修复掩膜,x为受损图像;步骤5.3,将所述生成向量G(z)输入到所述已训练完成的裂缝生成模型的判别器D中得到感知损失Lp=log(1-D(G(z)));步骤5.4,将所述感知损失与语义损失加权求和,和值最小的真向量为最优向量再将最优向量覆盖反向距离加权修复掩膜步骤5.5,将所述覆盖反向距离加权修复掩膜的最优向量与所述受损图像拼接得到拼接修复图像,将拼接修复图像输入所述判别器D中进行再判别,且得到全局损失其中Lg为全局损失,M...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。