一种机场道面病害图像的水膜去除方法技术

本发明专利技术公开了一种机场道面病害图像的水膜去除方法，包括以下步骤：步骤1、构建编码

【技术实现步骤摘要】
一种机场道面病害图像的水膜去除方法


[0001]本专利技术涉及机场及道路工程病害检测
，特别是一种机场道面病害图像的水膜去除方法。

技术介绍

[0002]随着道面行车荷载不断增多，在荷载和自然环境的作用下，道面病害日益增加。因此急需自动化的道面检测养护技术，对道面进行高效、大规模的检测检修，以保证道面飞机起降的安全。
[0003]如今出现基于道面病害图像的深度学习算法，能够实现高精度的道面病害自动化检测。但是这些道面病害检测模型泛化能力较低，表现为在光照均匀，天气良好的条件下的道面病害识别精度高，在复杂的背景环境下道面病害识别精度明显降低，使得雨天潮湿以及存在积水区域的道面的病害自动化检测成为技术难点。由于雨天的道面病害区域存在积水，积水区域形成的道面水膜会使得飞机轮胎打滑，易发生事故。因此提高雨天的道面病害检测精度以及加快相应病害措施的制定尤为重要。由于目前采用大量基于图像的方法进行道面检测，存在雨天积水区域含有水膜道面病害识别精度低，检测效率低的问题。

技术实现思路

[0004]本专利技术所要解决的技术问题是克服现有技术的不足而提供一种机场道面病害图像的水膜去除方法，去除雨天积水对于自动化道面病害检测的影响，进而提高雨天道面病害检测的可靠度，提高雨天基于道面病害图像的自动化检测模型精度，保证雨天飞机起降安全。
[0005]本专利技术为解决上述技术问题采用以下技术方案：
[0006]根据本专利技术提出的一种机场道面病害图像的水膜去除方法，包括以下步骤：
[0007]步骤1、构建编码
‑
解码对称的水膜生成结构；
[0008]步骤2、构建基于全卷积网络的水膜判别结构；
[0009]步骤3、定义用于训练水膜生成结构及水膜判别结构的对抗损失函数、循环一致性损失函数；
[0010]步骤4、融合水膜生成结构及水膜判别结构，建立积水道面病害图像水膜去除模型；
[0011]步骤5、对积水道面病害图像水膜去除模型进行训练，得到训练好的积水道面病害图像水膜去除模型；
[0012]训练的过程如下：利用水膜判别结构从积水道面病害图像中完成道面病害图像水膜层提取，在提取识别出道面病害图像水膜层后，在积水道面病害图像上减去提取的道面病害图像水膜层即得到积水道面病害图像水膜去除模型；
[0013]调整积水道面病害图像水膜去除模型的学习率，根据学习率、对抗损失函数、循环一致性损失函数，采用前向传播计算积水道面病害图像水膜去除模型的对抗损失、循环一
致性损失；
[0014]然后通过反向传播进行对抗损失、循环一致性损失分配，保证积水道面病害图像水膜去除模型生成道面病害无水膜图像；
[0015]步骤6、利用训练好的积水道面病害图像水膜去除模型，将输入积水道面病害图像水膜图像转换为道面病害无水膜图像，完成积水道面病害图像水膜去除任务。
[0016]作为本专利技术所述的一种机场道面病害图像的水膜去除方法进一步优化方案，步骤1中水膜生成结构包括水膜生成编码结构和水膜生成解码结构，通过使用VGG16卷积神经网络的前13个卷积层进行下采样搭建水膜生成编码结构，完成积水道面病害图像水膜层的特征提取，然后通过搭建好的水膜生成解码结构在上采样层完成积水道面病害图像水膜层特征的还原。
[0017]作为本专利技术所述的一种机场道面病害图像的水膜去除方法进一步优化方案，积水道面病害图像水膜层特征包括水膜层位置特征及水膜厚度特征。
[0018]作为本专利技术所述的一种机场道面病害图像的水膜去除方法进一步优化方案，步骤2中基于全卷积网络的水膜判别结构，通过Softmax判别函数对积水道面病害图像进行水膜有无的判定。
[0019]作为本专利技术所述的一种机场道面病害图像的水膜去除方法进一步优化方案，步骤5中，积水道面病害图像水膜去除模型停止训练的方法如下：更新积水道面病害图像水膜去除模型的参数并记录积水道面病害图像水膜去除模型的损失值，在积水道面病害图像水膜去除模型训练过程中选取一个训练停止阈值，当积水道面病害图像水膜去除模型的损失值不再变化时即结束训练；反之继续进行训练，直到损失值不再变化。
[0020]作为本专利技术所述的一种机场道面病害图像的水膜去除方法进一步优化方案，步骤5中，积水道面病害图像包括多对训练图像，每对训练图像包括积水道面病害水膜图像的样本空间A中的一个积水道面病害水膜图像A1和道面病害无水膜图像样本空间B中的一个道面病害无水膜图像B1，其中，A中包括多个用于训练的积水道面病害水膜图像，B中包括多个用于训练的道面病害无水膜图像，每对训练图像中的A1和B1是随机排列组合的。
[0021]作为本专利技术所述的一种机场道面病害图像的水膜去除方法进一步优化方案，采用Adam优化算法调整积水道面病害图像水膜去除模型的学习率。
[0022]本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：
[0023]本专利技术能够通过对雨天道面积水区域含有水膜病害图像进行水膜去除，提高雨天道面自动化检测精度，提高道面病害模型的多场景适应能力，完成多种天气状况下道面病害的自动化识别检测，为雨天的机场道面应急抢险提供依据。
附图说明
[0024]图1是本专利技术的流程图。
[0025]图2是本专利技术提供的编码
‑
解码对称的水膜生成结构。
[0026]图3是本专利技术提供的水膜判别结构。
[0027]图4是本专利技术提供的利用积水道面病害图像水膜去除模型进行水膜去除效果图。
具体实施方式
[0028]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本专利技术进行详细描述。
[0029]如图1所示，本实施例提供了一种机场道面病害图像的水膜去除方法，具体步骤为：
[0030]步骤1：构建编码
‑
解码对称的水膜生成结构；
[0031]步骤2：构建基于全卷积网络的水膜判别结构；
[0032]步骤3：定义对抗损失、循环一致性损失用于水膜生成及水膜判别结构的训练；
[0033]步骤3需要通过定义损失函数进行水膜生成结构和水膜判别结构的损失计算。采用对抗损失函数和循环一致损失函数来进行积水道面病害图像水膜去除模型的训练。通过定义对抗损失函数确保水膜生成结构生成足够逼真的道面病害图像。通过定义循环一致损失函数使得“积水道面水膜病害图像
‑
水膜去除道面病害图像
‑
循环生成积水道面水膜病害图像”的整个循环转换结果尽可能接近，即原始输入的积水道面水膜病害图像和循环生成积水道面水膜病害图像的差距较小。
[0034]步骤4：融合水膜生成及水膜判别结构，建立积水道面病害图像水膜去除模型。
[0035]步骤5：对积水道面病害图像水膜去除模型进行训练，更新模型参数并记录模型损失值，用于判断模型是否收敛。采用Adam优化算法调整学习率，采用前向传播计算对抗损失及循环一致性损失，完成输入积水道面病害水膜图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机场道面病害图像的水膜去除方法，其特征在于，包括以下步骤：步骤1、构建编码
‑
解码对称的水膜生成结构；步骤2、构建基于全卷积网络的水膜判别结构；步骤3、定义用于训练水膜生成结构及水膜判别结构的对抗损失函数、循环一致性损失函数；步骤4、融合水膜生成结构及水膜判别结构，建立积水道面病害图像水膜去除模型；步骤5、对积水道面病害图像水膜去除模型进行训练，得到训练好的积水道面病害图像水膜去除模型；训练的过程如下：利用水膜判别结构从积水道面病害图像中完成道面病害图像水膜层提取，在提取识别出道面病害图像水膜层后，在积水道面病害图像上减去提取的道面病害图像水膜层即得到积水道面病害图像水膜去除模型；调整积水道面病害图像水膜去除模型的学习率，根据学习率、对抗损失函数、循环一致性损失函数，采用前向传播计算积水道面病害图像水膜去除模型的对抗损失、循环一致性损失；然后通过反向传播进行对抗损失、循环一致性损失分配，保证积水道面病害图像水膜去除模型生成道面病害无水膜图像；步骤6、利用训练好的积水道面病害图像水膜去除模型，将输入积水道面病害图像水膜图像转换为道面病害无水膜图像，完成积水道面病害图像水膜去除任务。2.根据权利要求1所述的一种机场道面病害图像的水膜去除方法，其特征在于，步骤1中水膜生成结构包括水膜生成编码结构和水膜生成解码结构，通过使用VGG16卷积神经网络的前13个卷积层进行下采样搭建水膜生成编码结构，完成积水道面病害图像水膜层的特征提取，然后通过搭建好的水膜...

【专利技术属性】
技术研发人员：张伟光，钟靖涛，程杭林，张晶，马涛，呼延菊，朱俊清，
申请(专利权)人：东南大学，
类型：发明
国别省市：