【技术实现步骤摘要】
一种基于WGAN
‑
GP数据生成与泊松融合的数据深度增强方法
[0001]本专利技术属于深度学习图像处理领域,涉及一种基于WGAN
‑
GP数据生成与泊松融合的数据深度增强方法。本专利技术适用于目标检测中数据样本缺乏或类别不均衡的道路病害智能化检测。
技术介绍
[0002]由于温度变化、反复碾压和不适当的定期维护等多方面的影响,路面会出现不同程度、不同类型的病害,如路面裂缝、坑槽等严重影响了行车舒适性和安全性,必要的养护管理对于促进城市道路设施服务水平的提高、确保道路的安全运营至关重要。目前,道路维护过分依赖于人工巡检的方式,存在成本高、主观性强、效率低下等问题。因此,采用先进的技术手段,实现道路病害的自动检测,成为道路养护管理的关键所在。
[0003]近年来,借助于人工智能的图像识别技术越来越多的被应用到路面病害检测中,其核心是深度学习以及卷积神经网络的图像识别技术。但深度学习是一种数据驱动的技术,需要足够的数据量使得模型去学习到可能的分布。然而在实际采集环境中很难获得足够多且类别均衡的病害样本来保证神经网络的训练。传统的数据增强方法有多种,包括随机缩放,对比度增强,随机裁剪、水平翻转、竖直翻转等,但是路面病害的特征往往与图像的颜色分布、对比度有关,因此传统数据增强方法对比度增强可能不太适用于路面图片中。且当图像数量较少时,随机裁剪和翻转等操作很难补充到数据隐含的潜在分布规律。
[0004]针对上述问题,本专利技术提出了一种将WGAN
‑
GP数据生 ...
【技术保护点】
【技术特征摘要】
1.一种基于WGAN
‑
GP数据生成与泊松融合的数据深度增强方法,其特征在于,包括WGAN
‑
GP数据生成和泊松融合两大部分,具体步骤如下:步骤一:WGAN
‑
GP数据生成;首先,将道路病害边界框从原始道路图片中剪切出来作为WGAN
‑
GP数据生成的输入图像,剪切图片是在不同光照条件下不同遮挡物下的坑槽;然后将剪切图片调整为80x80像素大小,生成HDF5数据存储文件,带入WGAN
‑
GP对抗生成网络中;其次,WGAN
‑
GP网络读入HDF5数据存储文件并设置网络训练参数,包括批训练Batch_size、图片像素大小、训练带数Epoch、判别器参数、鉴别器参数;接着,设置生成器和判别器网络结构;WGAN
‑
GP生成网络G和判别网络D均设置为五层的卷积神经网络,生成网络由ConvTrans2d反卷积层、BN归一化层、Relu和Tanh激活函数组成,判别网络由Conv2d卷积层、IN归一化层、LeakyRelu激活函数组成;最后,判别器求出真实样本和生成样本之间的差值梯度M,设定Lipschitz约束不超过M,Loss损失约束最大可能接近M,通过迭代实现网络的不断更新优化;步骤二:泊松融合新的训练数据是通过将WGAN
‑
GP生成的路面病害图像插入到无病害的道路图像中合成;基于泊松方程而引入的泊松融合求解像素最优值的方法,保留源图像梯度信息的同时,融合源图像与目标图像;该方法根据指定的边界条件求解一个泊松方程,实现梯度域上的连续,从而达到边界处的无缝融合。2.根据权利要求1所述的一种基于WGAN
‑
GP数据生成与泊松融合的数据深度增强方法,其特征在于,使用的Relu激活函数如式(1):使用的LeakyRelu激活函数如式(2):使用的Tanh激活函数如式(3):式(1)、(2)、(3)中,x为各层神经网络的输入数据,f(x)为各层神经网路的输出函数;设置判别器的损失函数和优化函数;对于损失函数,前两项为判别器的博弈损失,后项为引入的Lipschitz约束梯度惩罚;对于博弈损失,生成对抗网络的训练是通过训练判别网络D最大化判别准确率,同时训练生成网络G最小化log(1
‑
D(G(z))),即训练生成网络G和判别网络D是关于函数V(G,D)的极小极大的博弈,采用的博弈函数见公式(4):使用的判别器损失函数如式(5):式中:x为真实数据分布,最大化D(x)表示鉴别器将尽可能地学习真实样本数据分布,P
z
(z)为输入的噪声分布,G(z)表示生成器生成的样本数据分布,D(G(z))表示鉴别器将尽力
去鉴别生成器生成的样本数据是否为真。3.根据权...
【专利技术属性】
技术研发人员:侯越,张慧婷,陈宁,刘卓,陈艳艳,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:
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。