[发明专利]一种基于生成对抗网络的桥梁裂缝自动检测方法

权利要求书

1.一种基于生成对抗网络的桥梁裂缝自动检测方法，其特征在于，该方法包括如下步骤：

步骤一：搭建基于生成对抗网络的卷积神经网络框架：所述卷积神经网络框架由生成网络1、判别网络1和判别网络2组成，将生成网络1和判别网络1合称为“分支网络”，将生成网络1、判别网络1和判别网络2这三个子网络统称为整体网络，其中，生成网络1用于提取图像特征，判别网络1用于预测裂缝，判别网络2用于增强判别网络1对裂缝的检测效果；

步骤二：搭建数据库，采集桥梁裂缝信息，形成数据集；

步骤三：基于全体数据集对分支网络进行预训练，同时保留每个训练批次的训练模型；

步骤四：对步骤三的训练模型中选择效果最好的训练模型，将该效果最好的训练模型权重复原到整体网络的对应网络中，即三个子网络中，其中判别网络2模型的参数进行随机初始化；然后将全体数据集一分为二，开始对抗训练，每轮对抗训练中分支网络和判别网络2交替各训练1次，并交替更新分支网络和判别网络2的参数，使得判别网路1和判别网络2的损失函数最小化，更新网络权重。

2.根据权利要求1所述的基于生成对抗网络的桥梁裂缝自动检测方法，其特征在于，步骤一中所述的卷积神经网络框架中，生成网络1为一种编码-解码网络，包括密集连接块、下采样层和上采样层三个个基本组成模块；所述密集连接块由多层卷积经过多次连接组成；所述下采样层由卷积层和最大池化层组成，每通过一次下采样，张量的x和y维度均缩小1倍；所述上采样层由转置卷积构成，每通过一次上采样，张量的x和y维度均扩大1倍；所述卷积神经网络框架中，密集连接块有4个，层数分别为4、4、5和5层，所述下采样层和上采样层各有3个；所述判别网络1输出深度为1的张量，为模型预测结果；所述判别网络2输出为预测裂缝结果和真值在经过判别网络2映射后的差异。

3.根据权利要求2所述的基于生成对抗网络的桥梁裂缝自动检测方法，其特征在于，步骤一中所述的卷积神经网络框架中，生成网络1：每一个密集连接块中，张量通过每一个卷积层之前，都会先进行批标准操作和线性激活处理；每一个下采样层，张量都会经过批标准化→线性激活→卷积层→dropout操作→最大池化层；

判别网络1：张量的基本操作为：批标准化→线性激活→卷积层；

判别网络2：张量的基本操作为：批标准化→Leakyrelu函数→卷积层，最后为全连接层；

批标准化层的使得每层的神经网络的神经元输入值分布满足标准正态分布，其基本公式如下所示：

式中：x_i表示输入数据，μ_B表示均值，σ_B表示标准差，为符合标准正态分布的结果，γ和β为可学习重构参数，

线性激活公式如下所示：

LeakyRelu函数是线性激活的一种变式，用于避免在x＜0时，不能学习的情况，其公式如下，α通常为非常小的正数，网络中取α＝0.2：

f(x)＝max(αx,x)

Dropout操作是指训练过程中，随机将一部分神经网络单元暂时从网络中丢弃，削弱神经元节点之间的联合适应性，防止过拟合，网络中，神经元暂时丢弃的比例为20％。

4.根据权利要求1所述的基于生成对抗网络的桥梁裂缝自动检测方法，其特征在于，步骤二中所述采集桥梁裂缝信息，形成数据集的过程中，首先对采样图像进行x和y方向的平移裁剪图像增强数据集，然后对50％的训练和测试图像进行均值滤波模糊处理，均值滤波的卷积核尺寸为4×4，下式中M(x_a+i,y_b+j)表示(x_a+i,y_b+j)处的滤波前的像素值，M₁(x_a,y_b)表示(x_a,y_b)处的滤波后的像素值，F(i,j)则表示卷积核系数：