一种基于生成对抗网络的裂缝图像压缩采样方法技术

本发明专利技术提出一种基于生成对抗网络的裂缝图像压缩采样方法，所述方法包括生成对抗网络的网络架构设计、表征裂缝图像与低维向量映射关系的裂缝图像生成器建模、对抗训练超参数的调优、压缩采样的压缩观测矩阵的设计、最优低维向量的求解等。本发明专利技术所述方法采用训练好的生成对抗网络的裂缝图像生成器作为物理约束实现图像的解压缩重构，无需传统压缩采样方法一样要求裂缝图像具有稀疏性，适用范围更广。在生成对抗网络学习到裂缝图像与低维向量的映射关系之后，基于梯度下降方法优化低维向量，实现图像解压缩重构的快速求解。所述方法在较高压缩率下裂缝图像重构的精度和重构速度等方面具有独特的优势，对噪声的鲁棒性也较强。

【技术实现步骤摘要】
一种基于生成对抗网络的裂缝图像压缩采样方法
本专利技术属于信号处理和结构健康监测
，特别是涉及一种基于生成对抗网络的裂缝图像压缩采样方法。
技术介绍
目前各类基础设施在长期的荷载作用、环境侵蚀等因素影响下，不可避免地会产生损伤。损伤不断累积、发展下，导致结构的承载能力以及使用功能持续下降，直至危及结构的安全使用。因此对结构损伤进行实时监测，并通过理论分析评估结构的健康状态是结构健康监测的核心问题之一。结构表面的裂缝是经常监测的指标，其能反映出结构受到损伤的程度，并且对结构的功能有着很严重的影响，例如：钢结构表面的裂缝会加速锈蚀，降低结构承载能力；混凝土结构表面的裂缝会减小截面受力面积与钢筋保护层厚度，影响结构的安全性与耐久性；储气罐、储油罐以及防水构筑物表面的裂缝则可能会引发其气密性或水密性能的丧失。因此裂缝是结构受到损伤的重要标志，裂缝检测则是结构健康监测的重要任务。近年来，得益于相机技术的发展，结构健康监测系统中裂缝检测的数据已经可以通过无人机、机器人、监控摄像头以及车载摄像头等各种视觉传感器实现自动化的采集。为了实现裂缝的实时检测，基于计算机视觉与机器学习的裂缝检测方法也大量应用于图像数据中。在无人机等无线采集平台中，数据的采集与传输是无线采集平台能量消耗的主要来源，受到无线采集平台自身能量及数据传输能力的限制，减少传输的数据量可以显著延长无线采集平台的工作时间，并降低其维护成本。然而，随着建筑结构和基础设施不断大型化、复杂化，对结构的实时监测需要使用大量的视觉传感器，不可避免地会产生海量的图像数据，并且采集到的图像数据所需要的存储空间、以及对数据传输系统的压力也远大于传统的加速度响应等一维信号。为了提升数据存储效率，并节省无线采集平台的数据采集及传输成本，必须对监测的裂缝图像进行压缩。考虑到无线采集平台有限的算力，本专利技术使用压缩采样方法中的线性压缩矩阵，通过简单的矩阵乘法对数据进行压缩，易于在无线采集平台实现。压缩采样方法通过随机采样矩阵对采集信号进行线性投影，直接采集压缩格式的数据，从而显著减少数据采集量，降低了无线采集平台传输数据消耗的能量。在后续的数据解压缩重构环节中，传统压缩采样的理论研究表明，可以利用压缩前信号在某些特定空间中的高度稀疏性质，降低信号重构问题的不适定性，采用基于表达稀疏性约束的一范数的最小二乘拟合方法，实现以远低于奈奎斯特采样定理要求的采样率从压缩数据中直接实现高精度的信号解压缩重构。作为一种有效的数据压缩与重构方法，近年来压缩采样的研究大量出现在结构健康监测系统的一维传感器信号处理中，减轻数据采集、传输与存储压力，表现出了良好的应用前景。传统压缩采样方法的解压缩重构的效果对原始信号的稀疏性有着严格的要求，然而对于实际的结构健康监测数据，特别是裂缝图像等数据，其在特定空间中的高度稀疏性并不能得到保证，在高压缩率下可能会引起解压缩重构精度不足，这严重限制了压缩采样方法的实用性，为其在结构健康监测中的应用带来较大的挑战。生成对抗网络是一种基于机器学习的深度生成模型，其由生成器与判别器两部分组成，通过动态的对抗博弈实现网络的训练，进而学习数据集中的固有特征，并将这些特征与低维空间中的向量建立映射关系，从而可以通过随机采样的低维向量生成大量多样化的逼真数据。当生成对抗网络训练达到博弈平衡点时，生成数据的分布理论上可以等同于真实数据集的分布，因此其建立的映射关系有潜力作为压缩采样中数据解压缩重构的约束信息。目前，基于生成对抗网络的压缩采样方法在结构健康监测中的研究及应用尚不存在，其利用裂缝图像生成器约束解压缩重构，实现的在较高压缩率下的重构精度、噪声鲁棒性、重构速度等方面的优越性没有得到挖掘。
技术实现思路
本专利技术目的是为了解决现有技术中的问题，提出了一种基于生成对抗网络的裂缝图像压缩采样方法。本专利技术是通过以下技术方案实现的，本专利技术提出一种基于生成对抗网络的裂缝图像压缩采样方法，具体包括以下步骤：步骤一、建立包含裂缝特征并且多样化的图像大数据集，用于训练生成对抗网络；步骤二、建立生成对抗网络中生成器Gθ以及判别器Dθ的网络架构，选择初始的网络训练超参数，其中生成器Gθ输入从标准正态分布随机采样的低维向量z，训练生成对抗网络，通过网络调优，获得能生成逼真且多样化的裂缝图像的生成器Gθ，此后固定其网络参数θ不再改变；步骤三、基于标准正态分布随机采样建立压缩采样的压缩观测矩阵A，通过压缩采样传感器将原始图像矩阵排列为向量数据s并进行压缩，获得压缩采样数据y＝As；其中压缩观测矩阵A的行数M小于列数N，即y的长度M小于原始图像向量数据s的长度N，实现数据压缩的效果；步骤四、裂缝图像的解压缩重构通过迭代优化低维向量z实现：首次迭代时，i＝1，对于从标准正态分布中随机采样的初始低维向量zi，通过生成器生成初始的重构裂缝图像Gθ(zi)，根据压缩采样数据y、压缩采样的压缩观测矩阵A和初始重构数据Gθ(zi)，基于优化低维向量z的损失函数通过反向传播算法计算损失函数引起的zi的梯度进而利用梯度下降方法对zi进行优化得到zi+h；对于后续的迭代次数i，i＞1，重复首次迭代的处理过程直至损失函数收敛，得到最优的低维向量将代入生成器Gθ获得最优的解压缩重构裂缝图像进一步地，所述步骤二具体为：步骤2.1、对于裂缝图像生成任务，选择能有效提取图像特征的卷积神经网络来构建生成器Gθ以及判别器Dθ的网络架构；其中，生成器Gθ输入从标准正态分布中随机采样的低维向量z，所述低维向量z经由生成器网络投影为生成图像Gθ(z)；判别器Dθ输入真实数据集中的图像x或生成器生成的图像Gθ(z)，输入图像经由判别器网络输出一个概率值，代表输入图像来自于真实数据集的概率；步骤2.2、使用对抗训练的方式训练生成对抗网络，其中，判别器网络以判断输入图像是否来自于真实数据集为目标，生成器网络以尽可能生成逼真的图像混淆判别器的判断为目标，基于生成对抗网络的训练误差函数为：其中，表示遍历裂缝图像大数据集的分布pdata(x)中的真实数据样本x，求得logDθ(x)的数学期望，该数学期望的数值越大表明判别器对于真实裂缝数据的判别越准确；表示遍历低维向量的分布pz(z)中的样本z，求得log(1-Dθ(Gθ(z)))的数学期望，该数学期望的数值越小表明生成器的生成数据越逼真；交替更新两部分网络的参数，通过动态的博弈过程进而不断提升网络对于真实数据集特征的学习程度；步骤2.3、通过计算生成图像质量及多样性的指标，评估生成器Gθ对真实数据集中裂缝特征的学习程度，进而对生成对抗网络的网络架构及训练超参数进行调优，获得有效表征了裂缝图像特征的生成器Gθ。进一步地，由于优化结果对于其初始值敏感，所以在步骤四中需要完成以下操作：步骤4.1、选择k组随机初始的低维向量zip，i＝1，p＝1，…，k，使用同一梯度下降方法分别进行最优化，获得p＝1，…，k，及相应的损失函数收敛值步骤4.2、选择其中损失函数收敛值最小的一组对本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的裂缝图像压缩采样方法，其特征在于：具体包括以下步骤：/n步骤一、建立包含裂缝特征并且多样化的图像大数据集，用于训练生成对抗网络；/n步骤二、建立生成对抗网络中生成器G

【技术特征摘要】
1.一种基于生成对抗网络的裂缝图像压缩采样方法，其特征在于：具体包括以下步骤：
步骤一、建立包含裂缝特征并且多样化的图像大数据集，用于训练生成对抗网络；
步骤二、建立生成对抗网络中生成器Gθ以及判别器Dθ的网络架构，选择初始的网络训练超参数，其中生成器Gθ输入从标准正态分布随机采样的低维向量z，训练生成对抗网络，通过网络调优，获得能生成逼真且多样化的裂缝图像的生成器Gθ，此后固定其网络参数θ不再改变；
步骤三、基于标准正态分布随机采样建立压缩采样的压缩观测矩阵A，通过压缩采样传感器将原始图像矩阵排列为向量数据s并进行压缩，获得压缩采样数据y＝As；其中压缩观测矩阵A的行数M小于列数N，即y的长度M小于原始图像向量数据s的长度N，实现数据压缩的效果；
步骤四、裂缝图像的解压缩重构通过迭代优化低维向量z实现：首次迭代时，i＝1，对于从标准正态分布中随机采样的初始低维向量zi，通过生成器生成初始的重构裂缝图像Gθ(zi)，根据压缩采样数据y、压缩采样的压缩观测矩阵A和初始重构数据Gθ(zi)，基于优化低维向量z的损失函数通过反向传播算法计算损失函数引起的zi的梯度进而利用梯度下降方法对zi进行优化得到zi+1；对于后续的迭代次数i，i＞1，重复首次迭代的处理过程直至损失函数收敛，得到最优的低维向量将代入生成器Gθ获得最优的解压缩重构裂缝图像


2.根据权利要求1所述的方法，其特征在于：所述步骤二具体为：
步骤2.1、对于裂缝图像生成任务，选择能有效提取图像特征的卷积神经网络来构建生成器Gθ以及判别器Dθ的网络架构；其中，生成器Gθ输入从标准正态分布中随机采样的低维向量z，所述低维向量z经由生成器网络投影为生成图像Gθ(z)；判别器Dθ输入真实数据集中的图像x...

【专利技术属性】
技术研发人员：黄永，张浩宇，李惠，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23