基于生成式对抗网络的桥梁裂缝分割算法研究

发布时间：2024-04-21 12:28

　　桥梁作为世界交通运输的枢纽,是世界各地商贸往来的基础保障。受周围恶劣环境的影响以及桥梁材料使用年限的限制,为了保障交通运输安全和人民生命健康,定期对桥梁进行病害检测十分的重要。桥梁裂缝是最常见的桥梁病害之一,对桥梁裂缝的检测更是必不可少。桥梁裂缝具有形态多样化、易受噪声干扰、背景复杂等特性。深度学习方法因具有识别准确、抗噪能力强的优点,被广泛的运用到不同领域。因此使用深度学习方法对桥梁裂缝图像进行目标检测或语义分割成为了桥梁病害检测领域的热点方法。生成式对抗网络为深度学习方法中一个重要分支,其可利用随机噪声生成与真实图像分布相近的图像,本文通过对现有的生成式对抗网络模型进行研究,提出一种新的基于生成式对抗网络的桥梁裂缝分割方法。本文的研究内容如下:(1)针对实拍裂缝图像中包含许多影响识别模型对裂缝位置信息进行准确检测和分割的障碍物问题,提出了一种基于生成式对抗网络的裂缝图像修复方法。该方法提出距离加权掩膜,提升模型修复的准确度;在判别器结构中引入VGG辅助判别器,辅助生成式对抗网络中原判别器对输入图像进行更精准的判断,降低生成式对抗网络的训练难度,改善生成式对抗网络的生成性能;加入全局...

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 图像修复技术研究现状
        1.2.2 桥梁裂缝检测技术研究现状
        1.2.3 细小桥梁裂缝分割研究现状
    1.3 本文主要的研究工作
    1.4 本文课题来源
    1.5 本文的组织框架
第2章 深度学习相关理论
    2.1 引言
    2.2 深度学习
        2.2.1 深度学习发展叙述
        2.2.2 卷积神经网络结构
    2.3 生成式对抗网络
        2.3.1 生成式对抗网络的概述
        2.3.3 生成式对抗网络图像修复
        2.3.4 生成式对抗网络超分辨率图像重建
    2.4 语义分割网络
    2.5 本章小结
第3章 基于生成式对抗网络的桥梁裂缝图像修复方法
    3.1 引言
    3.2 生成式对抗网络裂缝图像修复原理
    3.3 生成式对抗网络的裂缝修复模型
        3.3.1 距离加权掩膜
        3.3.2 VGG修复损失
        3.3.3 全局感知损失
        3.3.4 生成式对抗网络的裂缝修复模型结构
    3.4 实验与结果分析
        3.4.1 数据集与裂缝修复生成式对抗网络的训练
        3.4.2 可视化比较
    3.5 本章小结
第4章 基于生成式对抗网络的细小桥梁裂缝分割算法
    4.1 引言
    4.2 细小桥梁裂缝语义分割生成式对抗网络
        4.2.1 差异判别分支
        4.2.2 分割分支
        4.2.3 像素损失
        4.2.4 SE-GAN结构
    4.3 实验与结果分析
        4.3.1 数据集
        4.3.2 实验结果分析
    4.4 本章小结
第5章 基于深度学习的桥梁裂缝损伤程度评价方法
    5.1 引言
    5.2 基于生成式对抗网络的桥梁裂缝图像生成
        5.2.1 桥梁裂缝图像数据增强
        5.2.2 桥梁裂缝生成模型
    5.3 桥梁裂缝损伤程度评价方法
        5.3.1 桥梁裂缝损伤程度评价流程
        5.3.2 桥梁裂缝图像分类模型
        5.3.3 桥梁裂缝损伤程度评价
    5.4 实验结果与分析
    5.5 本章小结
第6章 总结与展望
参考文献
致谢
攻读硕士期间研究成果



本文编号：3960866