[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

说明书

本发明公开了一种基于生成对抗网络的桥梁裂缝自动检测方法。本发明的方法包括：步骤一：搭建基于生成对抗网络的卷积神经网络框架：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；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。本发明具有网络参数少、处理速度快和识别精度高的优点。

技术领域：

本发明涉及一种基于生成对抗网络的桥梁裂缝自动检测方法，属于结构健康监测与图像处理领域。

背景技术：

桥梁结构在服役期限内，由于其使用环境的影响，性能不断退化，降低其使用寿命。近年来，仍在使用年限内的桥梁发生倒塌的事故屡见不鲜。桥梁结构的规律性健康监测和养护对于延迟桥梁使用寿命，保证桥梁安全性至关重要。裂缝是反映结构安全性和耐久性的重要特征，也是桥梁安全检测中的重要一环。根据表观裂缝的形态可以给结构整体安全性评估提供指导。传统的裂缝检测方法主要是基于人工拍照检测，这种检测方式费时费力，效率低下，同时检测盲区较大，人力成本较高。因此，桥梁结构裂缝的快速自动检测具有重大的工程需求和广阔的前景。

随着深度学习技术的发展，其在计算机视觉领域得到了广泛的应用。越来越多的专家学者也将深度学习技术引到土木工程结构检测领域当中。有很多专家学者都提出使用卷积神经网络来检测裂缝，在实验室环境下也得到了较好的测试结果，但是距离实际工程落地还有很长的路。究其根本原因，一方面是模型体量较大，难以实现实时检测，未考虑到自动检测设备的机载计算机的算力的局限性，难以有机结合；另一方面，所提模型的鲁棒性和泛化能力较差，特别是对于图像中的细微模糊裂缝，检测能力有限。因此，具备轻量化的、高检测精度和较好的泛化能力特点的模型，才能满足工程应用的需要。目前来看，这种模型由于构建难度较大，还有待进一步的研究。

发明内容

本发明的目的是提供一种基于生成对抗网络的桥梁裂缝自动检测方法，在保证检测精度的同时，兼顾检测速度。同时，具有较好的泛化能力以及工程适用性。

上述的目的通过以下技术方案实现：

一种基于生成对抗网络的桥梁裂缝自动检测方法，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。