一种基于对抗生成网络的路面裂缝缺陷检测方法技术

本发明专利技术公开了一种基于对抗生成网络的路面裂缝缺陷检测方法，包括如下步骤：S1、将图像数据X输入至生成器并生成与裂缝标签Y对应的赝品标签Y’；S2、将图像数据X和赝品标签Y’在通道上进行连接，传输至辨别器并输出第一结果G_n；S3、将图像数据X和裂缝标签Y在通道上进行连接，传输至辨别器并输出第二结果G_p；S4、训练辨别器判断G_p为真，G_n为假，并将判断假的部分反向传播调整生成器参数；S5、更换所述图像数据X并重复步骤S1‑S4对生成器和辨别器重复训练，直到辨别器无法判别G_p为真，G_n为假；S6、训练完成后，固定生成器参数，将要检测的图片输入生成器，输出一个1280*1280*1的得分矩阵，然后通过阀值进行过滤，得出检测结果。能够更清楚的辨别裂缝病害。

A Pavement Crack Defect Detection Method Based on Countermeasure Generation Network

【技术实现步骤摘要】
一种基于对抗生成网络的路面裂缝缺陷检测方法
本专利技术涉及桥梁病害检测，特别是涉及一种基于对抗生成网络的路面裂缝缺陷检测方法。
技术介绍
生成对抗网络(GAN，GenerativeAdversarialNet)模型中分别由生成式模型(generativemodel)和判别式模型(discriminativemodel)组成。判别模型的任务是判断给定的图像看起来是自然的还是人为伪造的(图像来源于数据集)。生成模型的任务是生成看起来自然真实的、和原始数据相似的图像。公路作为国家国民经济发展的一项重要基础设施，为我国社会经济发展做出了突出的贡献，它深刻地影响着社会、经济以及人民生活。2018年末，中国公路总里程达到485.95万公里，相比于20年前已翻了数倍。随着中国公路通车里程的不断增加和机动化进程的加快，公路使用时间和频率不断增长，路面常年承受的车轮碾压及冰雪雨天气等复杂自然因素的影响，很多公路表面已出现了或多或少的裂缝病害，这些裂缝大大降低了公路的服务能力。为此，及早发现裂缝并进行维护可以及时避免裂缝进一步发展造成的严重影响，具有重要的现实意义。路面裂缝是评价路面质量最重要的参数之一，是大部分病害的早期表现形式，直接影响着公路使用寿命和行车安全，及早发现裂缝并进行维护可以及时避免裂缝进一步发展造成的严重影响。传统的人工检测方法，因其耗时费力、不精确、受个人主观影响大、户外作业危险、影响正常交通等缺点，愈来愈不能适应公路发展的要求。随着数字影像技术的成熟发展，数字相机以其高质量图片拍摄、快速数据存储等优点被广泛应用，路面裂缝图像数据呈爆发式增长，这对人工肉眼观察裂缝病害工作提出了更加严峻的挑战。
技术实现思路
针对上述现有技术的不足，本专利技术提供了一种基于对抗生成网络的路面裂缝缺陷检测方法，以解决上述问题中的不足之处。为了解决上述技术问题，本专利技术采用了如下的技术方案：一种基于对抗生成网络的路面裂缝缺陷检测方法，包括如下步骤：S1、将图像数据X输入至生成器并生成与裂缝标签Y对应的赝品标签Y’；S2、将图像数据X和赝品标签Y’在通道上进行连接，传输至辨别器并输出第一结果G_n；S3、将图像数据X和裂缝标签Y在通道上进行连接，传输至辨别器并输出第二结果G_p；S4、训练辨别器判断G_p为真，G_n为假，并将判断假的部分反向传播调整生成器参数；S5、更换所述图像数据X并重复步骤S1-S4对生成器和辨别器重复训练，直到辨别器无法判别G_p为真，G_n为假；S6、训练完成后，固定生成器参数，将要检测的图片输入生成器，输出一个1280*1280*1的得分矩阵，然后通过阀值进行过滤，得出检测结果。作为优化，在将图像数据X输入至生成器之前，先将所述图像数据X的大小调整为1280*1280。作为优化，所述生成器是编解码器结构，包括编码器、解码器和瓶颈模块，所述编码器和所述解码器通过所述瓶颈模块连接。作为优化，所述编码器均连续采用卷积核(kernel)为5*5、跨度(stride)为2、批标准化batchnorm函数和修正线性激活relu函数的方式进行特征提取和降维；所述解码器均连续采用卷积核(kernel)为5*5、跨度为2的反卷积、批标准化batchnorm函数和修正线性激活relu函数的方式进行特征解码和升维；瓶颈模块由8个残差模块级联组成，在所述解码器的输出位置接一个卷积核(kernel)为1*1，跨度(stride)为1的卷积层，在所述卷积层后接批标准化batchnorm函数和S型归一化激活sigmoid函数作为所述生成器的输出。作为优化，所述步骤S1中图像数据X输入至生成器并生成与裂缝标签Y相对应的赝品标签Y’的具体过程为：S1.1、将图像数据X输入至编码器，所述编码器对所述图像数据X进行连续卷积，以此提取特征和降维，生成特征图；S1.2、将所述特征图通过U-NET架构的直连shortcut方法传递至所述解码器的相应解码层；S1.3、所述解码器对所述瓶颈模块的输出或连接后的特征图进行连续反卷积，以对所述连接后的特征图解码和升维得到赝品标签Y’。作为优化，所述辨别器为全卷积结构的分类器，连续采用卷积核(kernel)为5*5、跨度(stride)为2的卷积、批标准化batchnorm函数和修正线性激活relu函数的方式对所述辨别器的输入图像数据进行特征提取和降维得到特征图；当所述特征图形状为40*40*512时，采用卷积核(kernel)为1*1、跨度(stride)为1的卷积、批标准化batchnorm函数和S型归一化激活sigmoid函数的方式生成40*40*1分类矩阵，所述分类矩阵将所述输入图像数据等比例划分成40*40的patch单元，每个所述patch单元负责32*32的相关像素区域的真假。作为优化，所述步骤S4中训练辨别器判断G_p为真，G_n为假，并将判断假的部分反向传播调整生成器参数的具体方法为：S4.1、训练辨别器判断输入图像数据是图像数据X和赝品标签Y’对应的每个第一patch单元的输出为0，训练辨别器判断输入图像数据是图像数据X和裂缝标签Y对应的每个第二patch单元的输出为1；S4.2、计算得到辨别器损失D_loss和生成器损失G_loss；S4.3、固定生成器的参数，并采用自适应学习率的梯度下降算法(AdamOptimizer)反向传播，调整辨别器的参数来减少辨别器损失D_loss；S4.4、固定辨别器的参数，并采用自适应学习率的梯度下降算法(AdamOptimizer)反向传播，调整生成器的参数减少生成器损失G_loss。作为优化，所述生成器损失G_loss＝lambda*self_reg_loss+gan_loss，其中，lambda为训练比例，self_reg_loss为生成器的自调节损失，gan_loss为生成器的对抗损失；所述辨别器损失D_loss＝d_loss，其中，d_loss为辨别器的分类损失。作为优化，所述训练比例为10，所述生成器的自调节损失self_reg_loss＝mean(-Y*log(Y’)-(1-Y)*log(1-Y’))；所述生成器的对抗损失gan_loss＝mean(-log(G_n))；所述辨别器的分类损失d_loss＝mean(-log(G_p)-log(1-G_n))。本专利技术的有益效果是：通过本专利技术所述的一种基于对抗生成网络的路面裂缝缺陷检测方法，能够更清楚的辨别出裂缝病害，更大的满足了现代化公路病害巡检及养护管理要求。附图说明图1为本专利技术所述的一种基于对抗生成网络的路面裂缝缺陷检测方法的方法流程图；图2为本专利技术所述的一种基于对抗生成网络的路面裂缝缺陷检测方法的训练过程流程图；图3为生成器和辨别器的结构图；图4为训练生成器和辨别器的训练流程图；图5、图6为运用本专利技术所述的一种基于对抗生成网络的路面裂缝缺陷检测方法所检测的路面裂缝图(左)和对比图(右)。具体实施方式下面结合附图对本专利技术作进一步的详细说明。如图1-6所示，一种基于对抗生成网络的路面裂缝缺陷检测方法，包括如下步骤：S1、将图像数据X输入至生成器并生成与裂缝标签Y对应的赝品标签Y’。从训练集中随机采样一批图像数据X，裂缝标签Y用普通的标注工具标注出来。本申请运用的标注工具为Labelme本文档来自技高网...

【技术保护点】
1.一种基于对抗生成网络的路面裂缝缺陷检测方法，其特征在于，包括如下步骤：S1、将图像数据X输入至生成器并生成与裂缝标签Y对应的赝品标签Y’；S2、将图像数据X和赝品标签Y’在通道上进行连接，传输至辨别器并输出第一结果G_n；S3、将图像数据X和裂缝标签Y在通道上进行连接，传输至辨别器并输出第二结果G_p；S4、训练辨别器判断G_p为真，G_n为假，并将判断假的部分反向传播调整生成器参数；S5、更换所述图像数据X并重复步骤S1‑S4对生成器和辨别器重复训练，直到辨别器无法判别G_p为真，G_n为假；S6、训练完成后，固定生成器参数，将要检测的图片输入生成器，输出一个1280*1280*1的得分矩阵，然后通过阀值进行过滤，得出检测结果。

【技术特征摘要】
1.一种基于对抗生成网络的路面裂缝缺陷检测方法，其特征在于，包括如下步骤：S1、将图像数据X输入至生成器并生成与裂缝标签Y对应的赝品标签Y’；S2、将图像数据X和赝品标签Y’在通道上进行连接，传输至辨别器并输出第一结果G_n；S3、将图像数据X和裂缝标签Y在通道上进行连接，传输至辨别器并输出第二结果G_p；S4、训练辨别器判断G_p为真，G_n为假，并将判断假的部分反向传播调整生成器参数；S5、更换所述图像数据X并重复步骤S1-S4对生成器和辨别器重复训练，直到辨别器无法判别G_p为真，G_n为假；S6、训练完成后，固定生成器参数，将要检测的图片输入生成器，输出一个1280*1280*1的得分矩阵，然后通过阀值进行过滤，得出检测结果。2.根据权利要求1所述的一种基于对抗生成网络的路面裂缝缺陷检测方法，其特征在于，在将图像数据X输入至生成器之前，先将所述图像数据X的大小调整为1280*1280。3.根据权利要求1所述的一种基于对抗生成网络的路面裂缝缺陷检测方法，其特征在于，所述生成器是编解码器结构，包括编码器、解码器和瓶颈模块，所述编码器和所述解码器通过所述瓶颈模块连接。4.根据权利要求3所述的一种基于对抗生成网络的路面裂缝缺陷检测方法，其特征在于，所述编码器均连续采用卷积核为5*5、跨度为2的卷积、批标准化batchnorm函数和修正线性激活relu函数的方式进行特征提取和降维；所述解码器均连续采用卷积核为5*5、跨度为2的反卷积、批标准化batchnorm函数和修正线性激活relu函数的方式进行特征解码和升维；瓶颈模块由8个残差模块级联组成，在所述解码器的输出位置接一个卷积核为1*1，跨度为1的卷积层，在所述卷积层后接批标准化batchnorm函数和S型归一化激活sigmoid函数作为所述生成器的输出。5.根据权利要求4所述的一种基于对抗生成网络的路面裂缝缺陷检测方法，其特征在于，所述步骤S1中图像数据X输入至生成器并生成与裂缝标签Y相对应的赝品标签Y’的具体过程为：S1.1、将图像数据X输入至编码器，所述编码器对所述图像数据X进行连续卷积，以此提取特征和降维，生成特征图；S1.2、将所述特征图通过U-NET架构的直连shortcut方法传递至所述解码器的相应解码层；S1.3、所述解码器对所述瓶颈模块的输出或连接后的特征图进行连续反卷积，以对所述连接后的特征图...

【专利技术属性】
技术研发人员：黄斌，张睿，张红龙，
申请(专利权)人：重庆同济同枥信息技术有限公司，
类型：发明
国别省市：重庆,50