[发明专利]一种复杂背景下桥梁裂缝图像裂缝检测方法

摘要

本发明涉及一种复杂背景下桥梁裂缝图像裂缝检测方法，首先，根据深度卷积生成式对抗网络原理，提出并利用桥梁路面裂缝图像生成模型对数据集进行扩增；然后，针对裂缝特征构建基于语义分割的桥梁路面裂缝图像分割模型；最后，利用桥梁路面裂缝图像分割模型提取裂缝图像中的裂缝。数据集扩增有效缓解了由于训练数据不足引起的欠拟合现象，精确率与召回率分别提高79.4％与74.7％。与现有语义分割算法相比，该算法参数量降低、训练时间减少、精确率、召回率、F1分数提高并达到92％以上。与现有桥梁路面裂缝检测和分割算法相比，该算法更适用于复杂背景下的桥梁路面裂缝检测和分割，且具有更强的识别效果与更好的泛化能力。

主权项

1.一种复杂背景下桥梁裂缝图像裂缝检测方法，其特征在于：包括以下步骤：步骤1，将采集的原始桥梁裂缝图像进行几何变换、空间滤波、线性变换后再通过生成子模型和判别子模型进行数据集扩增；所述生成子模型依次包括全连接层、维度转换层、第一转置卷积层、第二转置卷积层、第三转置卷积层、第四转置卷积层和第五转置卷积层；第一转置卷积层、第二转置卷积层、第三转置卷积层、第四转置卷积层和第五转置卷积层的卷积核大小均为5x5，步幅均为2，卷积核数目依次为512、256、128、64、3；所述判别子模型依次包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层和Sigmoid激活函数层；第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层和第六卷积层的卷积核大小均为5x5，步幅均为2，卷积核数目依次为64、128、256、512、1024、2048；所述第七卷积层的卷积核大小为1x1；步骤2，将扩增后的图像输入分割模型进行训练，具体方法如下：步骤2.1，将扩增后的图像进行一次5x5的卷积；步骤2.2：将卷积结果输入包含4个layers层的DenseBlock；步骤2.3：将步骤2.2结果进行Transition Down操作，降低裂缝图像分辨率；步骤2.4：将DenseBlock的layers层数量依次设置为5层、7层、10层，依次重复4次步骤2与步骤2.3；步骤2.5：将步骤2.4的结果输入由12个layers组成的Bottleneck，完成全部下采样，并进行多个特征的连接操作；步骤2.6：将上层输出结果输入由Transition Up和DenseBlock组成的上采样通道，DenseBlock对应下采样中的layers层数为10层；步骤2.7：将步骤2.6中DenseBlock的layers层数依次设为7、5、4，重复4次步骤2.6；步骤2.8：对步骤2.7的输出结果进行1x1卷积操作；步骤2.9：将步骤2.8结果输入softmax层进行判断，输出裂缝与非裂缝的概率；步骤3：所述步骤2训练完成后，将待检测裂缝图像输入训练完成的分割模型进行裂缝提取。