一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法与流程

本发明属于工程安全监测技术领域，特别涉及一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法。

背景技术：

水工建筑物在长期运行过程中受到光照、水流冲击、温度变化等各种因素的影响，容易出现功能退化、产生表面裂缝的问题，这些问题可能会影响坝体的正常运行。大坝裂缝检测是及时发现大坝安全隐患的重要途径。传统的大坝裂缝图像识别主要依赖人的视觉，但是在长时间的工作中，裂缝检测识别的效率和准确度都会有所下降。随着数字图像处理技术的发展，传统的人工检测图像裂缝方法逐步被基于机器视觉的裂缝检测方法所取代，成为构筑物裂缝检测领域重要的无损检测方法之一。

基于机器视觉的裂缝检测方法需要大量的图像样本进行训练以获得更高的检测精度。但实际生产环境所产生的真实裂缝图像数据量是有限的，需要通过数据增强的方法来得到更多可用于裂缝图像识别训练的图像。常见的数据增强方法包括翻转、旋转、缩放、裁剪、平移、随机数据擦除等，但是增强效果并不明显，增强后的图像质量不高，无法满足大坝裂缝图像识别技术中对训练样本类别和数据量的要求。

技术实现要素：

发明目的：为了克服现有技术中存在的问题，本发明提供一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法，在基本数据增强操作的基础上，利用基于深度卷积生成对抗网络的图像生成器(dgm)生成裂缝图像，利用基于深度卷积生成对抗网络的图像判别器(ddm)判别生成图像质量，根据原始的小样本大坝裂缝数据生成新的大坝裂缝样本数据集，满足大坝裂缝图像识别技术中对训练样本类别和数据量的要求。

技术方案：为实现上述目的，本发明提供一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法，包括如下步骤：

(1)将大坝真实裂缝图像数据作为输入，生成大坝裂纹图像；

(2)对步骤(1)中生成的大坝裂纹图像进行评判。

进一步的，所述步骤(1)中生成大坝裂纹图像的具体步骤如下：

(1.1)输入经过基本数据增强操作的大坝真实裂缝图片；

(1.2)进行卷积操作，卷积层参数设置为3×3×3×64，缺失值使用0进行补全，使用整流线性单元即rectifiedlinearunit，relu作为激活函数；

(1.3)依次使用12个相同的残差块进行训练学习，去掉每个残差块的bn层以简化网络结构，使用跳跃连接skipconnection的方式进行训练，解决在训练的过程中出现的梯度爆炸和梯度消失问题；

(1.4)进入卷积层后使用skipconnection，最后输出生成图片。

进一步的，所述步骤(2)中对生成的大坝裂纹图像进行评判的具体步骤如下：

(2.1)输入需判别的图片；

(2.2)使用5层卷积层抽取图片特征，卷积层采用4×4尺寸的卷积核，且每层通道数以2倍的速度递增，增大局部感受野；

(2.3)使用卷积核为1×1的卷积层进行降维；

(2.4)使用3层卷积层以skipconnection的方式进行训练；

(2.5)对图像数据进行压平(flatten)操作；

(2.6)使用全连接层即fullyconnectedlayer,fc和sigmoid函数，输出判别结果，判别结果为该图片为真实图片的概率值。

本发明构建的一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法将残差网络(resnet)与深度卷积生成对抗网络(dcgan)相结合，构建简化的残差块网络结构，增加特征图通道数量，缓解加深网络时带来的性能下降，提高大坝裂缝数据增强图像的质量。具体的，在网络结构方面基于缩放卷积的思想建立简化的残差块结构，在网络宽度方面增加图像质量判别器的特征通道数，改进原始判别器参数，提升网络稳定性，在网络深度方面，增加图像生成器部分的残差块数量从而加深网络层次，利用残差网络降低网络深度加深带来的性能损失。在对大坝裂缝图像数据进行基本数据增强操作的基础上，将大坝真实裂缝图像数据作为输入，采用一种基于深度卷积生成对抗网络的图像生成器(dgm)生成大坝裂缝图像，利用一种基于深度卷积生成对抗网络的图像判别器(ddm)评判由dgm所生成图像的质量。

有益效果：本发明与现有技术相比具有以下优点：

与现有技术相比，本发明基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法在现有的旋转、缩放、随机数据擦除等基本数据增强操作的基础上对原始图片进行处理，构建简化的残差块网络结构，增加特征图通道数量，在加深网络的同时使用残差网络缓解性能下降，提高大坝裂缝数据增强图像的质量。

附图说明

图1为具体实施例中图像生成的流程图；

图2为具体实施例中图像判别的流程图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

在对大坝裂缝图像数据进行基本数据增强操作的基础上，将大坝真实裂缝图像数据作为输入，采用一种基于深度卷积生成对抗网络的图像生成器(dgm)生成大坝裂缝图像，生成器结构如图1所示，利用一种基于深度卷积生成对抗网络的图像判别器(ddm)评判由dgm所生成图像的质量，判别器结构如图2所示，具体流程描述如下：

(1)图像生成：

(1.1)输入经过基本数据增强操作的大坝真实裂缝图片；

(1.2)进行卷积操作，卷积层参数设置为3×3×3×64，缺失值使用0进行补全，使用整流线性单元(rectifiedlinearunit，relu)作为激活函数；

(1.3)依次使用12个相同的残差块进行训练学习，去掉每个残差块的bn层以简化网络结构，使用跳跃连接(skipconnection)的方式进行训练，解决在训练的过程中出现的梯度爆炸和梯度消失问题；

(1.4)进入卷积层后使用skipconnection，最后输出生成图片。

(2)图像判别：

(2.1)输入需判别的图片；

(2.2)使用5层卷积层抽取图片特征，卷积层采用4×4尺寸的卷积核，且每层通道数以2倍的速度递增，增大局部感受野；

(2.3)使用卷积核为1×1的卷积层进行降维；

(2.4)使用3层卷积层以skipconnection的方式进行训练；

(2.5)对图像数据进行压平(flatten)操作；

(2.6)使用全连接层(fullyconnectedlayer,fc)和sigmoid函数，输出判别结果，判别结果为该图片为真实图片的概率值。