[发明专利]基于风格迁移的生成对抗网络的管道病害图像数据增强方法

说明书

本发明涉及深度学习与传统管道检测的交叉学科领域，提供了一种基于风格迁移的生成对抗网络的管道病害图像数据增强方法。该方法包括以下步骤：获取管道内表面病害图像数据集；风格迁移的生成对抗网络模型训练；风格迁移的生成对抗网络模型调参；风格迁移的生成对抗网络模型测试；构建管道病害数据库。通过上述方式，研发了适用于管道内表面病害特征的图像生成算法，具有适用范围广、鲁棒性好和泛化能力强的优点；实现了管道病害图像的大规模生成，解决了管道病害数据量少的问题。

技术领域

本发明涉及深度学习与传统管道检测的交叉学科领域，尤其涉及一种管道病害自动生成方法，特别是一种基于风格迁移的生成对抗网络的管道病害图像数据增强方法。

背景技术

城市地下管道广泛应用于供暖、供水和排污等领域。随着我国城市化进程不断发展，地下水位变化和各种工程建设引起的不均匀沉降对管道造成不同程度的损伤。并且随着服役年龄的增加，管道密封材料老化或脱落造成接口处泄露。由此引发周围土壤，生活用水和城市空气的污染，进而引发一系列安全问题。因此，应当按时检测管道，为城市污水管道的修复和维护提供规划和决策帮助。

随着大数据的到来，基于深度学习的计算机视觉技术不断发展，大量研究采用基于深度学习的方法检测管道病害。但是，深度学习算法需要大量管道病害数据训练网络。数据集图像的数量往往决定了检测网络的准确度和泛化能力。但是，由于管道环境复杂，现有的管道内表面病害图像难以采集。

有鉴于此，有必要提供一种基于风格迁移的生成对抗网络的管道病害图像数据增强方法。

发明内容

针对地下管道内部环境复杂、多种类管道病害的特点，为了解决管道病害图像数据量少的问题，本发明提供了一种基于风格迁移的生成对抗网络的管道病害图像数据增强方法，该方法建立管道内表面病害生成网络和辨别网络，具有生成图像辨识度高，泛化能力强，鲁棒性好的特点。

为了实现上述目的，本发明采用了如下的技术方案：

本发明提供了一种基于风格迁移的生成对抗网络的管道病害图像数据增强方法，包括以下步骤：

S1，获取管道内表面病害图像数据集；

采集管道病害图像，挑选含有各类病害的图像，统一病害图像尺寸，建立原始的管道病害数据库；

S2，风格迁移的生成对抗网络模型训练；

搭载基于风格迁移的生成对抗网络模型，使用迁移学习方法进行模型初始化，将原始的管道病害数据库图像导入模型，进行模型的训练；

S3，风格迁移的生成对抗网络模型调参；

设置不同的超参数，对比模型训练过程中损失函数变化曲线，寻找最优超参数；

S4，风格迁移的生成对抗网络模型测试；

根据得到的最优模型，对模型进行测试，输出各项检测数值指标，判断是否达到预期值；若达到预期值，则执行步骤S5；若未达到预期值，则执行步骤S3；

S5，构建目标管道病害数据库；

通过随机噪点生成管道病害图像，以检测数值指标的预期值为标准对管道病害图像的清晰度和辨识度进行判断；采用数据扩增的方法对达到预期值指标的管道病害图像后处理，最终得到不同类别的管道病害数据集，整合得到目标管道病害数据库。

其中，所述步骤S1包括以下步骤：

S11，管道内表面病害图像采集方法为：通过控制管道CCTV机器人，在实际管道内采集管道内表面病害图像；

S12，由专业人员挑选病害图像；

S13，对病害图像进行分类，得到原始的管道病害数据库；