[发明专利]一种基于生成对抗网络的裂缝图像压缩采样方法

说明书

本发明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。

技术领域

本发明属于信号处理和结构健康监测技术领域，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。

背景技术

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，本发明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。