【技术实现步骤摘要】
本专利技术涉及机器学习数据增强领域，具体涉及一种基于生成对抗式的隐蔽管线图像数据增强方法。
技术介绍
1、由于隐蔽管线通常埋藏在地下或深埋在建筑结构内，因此获取大量能够用于机器学习模型训练的隐蔽管线图像数据集相对困难。此外，管线图像中可能存在各种干扰因素，如光照变化、阴影、遮挡等，使得数据集的多样性和质量难以保障。传统的数据增强方法在应对这些挑战时往往表现不佳，因为它们难以模拟真实世界中管线图像的复杂场景。
2、在这一背景下，生成对抗网络(generative adversarial network,gan)的引入为隐蔽管线图像数据增强提供了一种创新的解决方案。gan是一种深度学习模型，由生成器和判别器组成，通过对抗训练的方式能够生成逼真的新样本。通过训练生成器，可以生成更具多样性和真实感的隐蔽管线图像，从而弥补原始数据集的不足。gan的优势在于能够学习并生成复杂的管线场景，包括各种干扰和变化，从而提高数据增强的效果，并为隐蔽管线检测等任务提供更具泛化性能的模型训练数据。因此，使用gan对隐蔽管线图像进行数据增强不仅能够解决数据稀缺和复杂性的问题，还能够提高模型在实际应用场景中的性能和鲁棒性。
3、模糊神经网络结合神经网络与模糊逻辑的优点，在处理模糊性、非线性等问题上有很大的优越性，使得越来越多的专家学者都投入到这个领域中来，并取得了卓有成效的成果。模糊最小最大神经网络(fmm)是一种改进的模糊神经网络模型，在分类任务上表现出强大的性能。
技术实现思路
1、
2、本专利技术采用的技术方案如下：
3、一种基于生成对抗式的隐蔽管线图像数据增强方法，包括以下步骤：
4、第1步、重构生成对抗网络模型，构造适用于隐蔽管线的雷达图像生成的扩展生成对抗网络模型(extend generative adversarial network,exgan)，将真实的隐蔽管线图像数据输入，生成隐蔽管线雷达图像伪造数据；
5、第2步、构造模糊最小最大神经网络作为分类器，将exgan的输出通过特征提取后作为模糊最小最大神经网络的输入，完成整个基于模糊最小最大神经网络和扩展生成对抗网络的数据增强模型(fuzzy minimum maximum and extended generative adversarialdata augmentation，faexg-da)的构建。将真实的隐蔽管线雷达图像作为训练数据集，输入到模糊最小最大神经网络中对模型进行训练；
6、第3步、将隐蔽管线雷达图像伪造数据输入到模糊最小最大神经网络分类器进行筛选；
7、第4步、将筛选后的图像数据集与真实的隐蔽管线图像进行混合并对比测试，验证并反馈数据增强模型的性能和问题。
8、第1步：重构生成对抗网络模型，构造适用于隐蔽管线的雷达图像生成的扩展生成对抗网络模型，将真实的隐蔽管线图像数据输入，生成隐蔽管线雷达图像伪造数据，具体步骤如下：
9、第1.1步、利用深度卷积神经网络重新构建生成对抗网络模型中的生成器，得到扩展的生成对抗网络模型，所述网络模型包括生成网络与判别网络，其中生成网络包括5个卷积层，5个批量归一化层，4个上采样层，4个激活层以及1个全连接层，判别网络包括4个卷积层以及1个全连接层，生成器g将随机噪声转换为虚拟图像，判别器d根据真实图像数据对虚拟图像进行判别，并根据判别结果对生成器g和判别器d的网络参数进行优化；
10、第1.2步、将真实的隐蔽管线图像数据输入到exgan，调整模型参数，经过多轮训练，在模型收敛后得到输出的伪造图像数据。
11、第2步：构造模糊最小最大神经网络作为分类器，将exgan的输出通过特征提取后作为模糊最小最大神经网络的输入，完成整个基于模糊最小最大神经网络和扩展生成对抗网络的数据增强模型的构建。将真实的隐蔽管线雷达图像作为训练数据集，输入到模糊最小最大神经网络中对模型进行训练，具体步骤如下：
12、第2.1步、选择alexnet卷积神经网络的卷积层对输入图像数据进行特征提取，包括5个卷积层，4个批量归一化层，5个激活层，3个最大池化层以及1个展平层，用于将图像数据转换为多维统计特征数据，构成一个原始数据集{x}，其中x＝(xh1,xh2,...,xhn)代表提取得到的图像特征模式，n为数据维度；
13、第2.2步、将提取到的多为统计数据进行降维和归一化处理，将包含0值的维度去除，得到训练数据集{x'}，其中xh'＝(xh1,xh2,...,xhn')，n'为降维处理后的数据维度；
14、第2.3步、对于每个输入模式以自身为中心进行超盒的创建，根据下面式子计算hbmin和hbmax
15、
16、
17、其中l代表超盒的半径，在本方法中取l＝0.05，得到的超盒集为{b}，其中bi＝{vi,wi}(i＝1,2...n)，vi为超盒的最小点，wi为超盒的最大点；
18、第2.4步、将重构的exgan与构造的模糊最小最大神经网络进行组合，形成基于模糊最小最大神经网络和扩展生成对抗网络的数据增强模型。
19、第3步：将隐蔽管线雷达图像伪造数据输入到模糊最小最大神经网络分类器进行筛选，具体步骤如下：
20、第3.1步、将生成的伪造图像同样经过alexnet卷积神经网络进行特征提取并降维处理，得到特征数据集{t}，其中ti＝(t1,t2,...,tn')；
21、第3.2步、对特征数据集中的一条数据，遍历超盒集中的所有超盒，根据公式
22、ti≥vji,ti≤wji(j＝1,2...n)
23、判断该数据是否处于超盒内部，如果处于超盒内部，则标记为有效增强图像，否则为无效增强图像，记有效增强图像集合为tv，无效增强图像集合为tinv；
24、第3.3步、重复上述步骤，直到特征数据集中的每条数据都已经被处理过。
25、第4步：将筛选后的图像数据集与真实的隐蔽管线图像进行混合并对比测试，验证并反馈数据增强模型的性能和问题，具体步骤如下：
26、第4.1步、从有效生成图像数据集tv中选取一定量的图像，与真实隐蔽管线数据集进行混合，作为训练测试神经网络的数据集，其中真实隐蔽管线数据集和集合tv中的图像标签为1，并加入随机噪声图像作为标签为0的图像；
27、第4.2步、作为测试神经网络vgg16的训练集和测试集，使用训练30个轮次后的模型对验证集进行预测，测试其准确率以验证数据增强的效果；
28、第4.3步、将原始真实隐蔽管线雷达图像数据集同样输入到vgg16卷积神经网络模型中进行训练和验证，将其准确率与faexg-da的准确率进行对比；
29、第4.4步、将原始gan模型生成的隐蔽管线雷达图像数据集同样输入到v本文档来自技高网...
【技术保护点】
1.一种基于生成对抗式的隐蔽管线图像数据增强方法包括以下步骤：
2.根据权利要求1所述的一种基于生成对抗式的隐蔽管线图像数据增强方法，其特征在于：第1步所述对传统的生成对抗网络模型进行改进，构造适用于隐蔽管线图像数据增强的扩展生成对抗模型，并将真实的隐蔽管线图像数据输入，得到增强后的隐蔽管线图像数据，具体步骤如下：
3.根据权利要求1所述一种基于生成对抗式的隐蔽管线图像数据增强方法，其特征在于：第2步、构造模糊最小最大神经网络作为分类器，将扩展生成对抗网络的输出通过特征提取后作为模糊最小最大神经网络的输入，完成整个基于模糊最小最大神经网络和扩展生成对抗网络的数据增强模型的构建。将真实的隐蔽管线雷达图像作为训练数据集，输入到模糊最小最大神经网络中对模型进行训练，具体步骤如下：
4.根据权利要求1所述一种基于生成对抗式的隐蔽管线图像数据增强方法，其特征在于：第3步所述的将隐蔽管线雷达图像伪造数据输入到模糊最小最大神经网络分类器进行筛选，具体步骤如下：
5.根据权利要求1所述一种基于生成对抗式的隐蔽管线图像数据增强方法，其特征在于：第4步
...【技术特征摘要】
1.一种基于生成对抗式的隐蔽管线图像数据增强方法包括以下步骤：
2.根据权利要求1所述的一种基于生成对抗式的隐蔽管线图像数据增强方法，其特征在于：第1步所述对传统的生成对抗网络模型进行改进，构造适用于隐蔽管线图像数据增强的扩展生成对抗模型，并将真实的隐蔽管线图像数据输入，得到增强后的隐蔽管线图像数据，具体步骤如下：
3.根据权利要求1所述一种基于生成对抗式的隐蔽管线图像数据增强方法，其特征在于：第2步、构造模糊最小最大神经网络作为分类器，将扩展生成对抗网络的输出通过特征提取后作为模糊最小最大神经网络的输入，完成整个基于模糊最小...
【专利技术属性】
技术研发人员：徐志磊，侯越晨，黄玮，赵丰年，
申请(专利权)人：北京理工大学，
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。