CN114022368A - 基于生成对抗网络的路面病害数据增强方法 - Google Patents
基于生成对抗网络的路面病害数据增强方法 Download PDFInfo
- Publication number
- CN114022368A CN114022368A CN202111171277.7A CN202111171277A CN114022368A CN 114022368 A CN114022368 A CN 114022368A CN 202111171277 A CN202111171277 A CN 202111171277A CN 114022368 A CN114022368 A CN 114022368A
- Authority
- CN
- China
- Prior art keywords
- model
- road surface
- network
- data enhancement
- generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 68
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 20
- 238000013136 deep learning model Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 description 9
- 239000013598 vector Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及路面病害数据智能增强技术领域，提供了一种基于生成对抗网络的路面病害数据增强方法。该方法包括如下步骤：获取路面病害图像；构建路面病害数据库；生成对抗网络模型训练；生成对抗网络模型调参；生成对抗网络数据增强。通过上述方式，构建了一种基于生成对抗网络的路面病害数据增强方法，具有适用范围广、智能和鲁棒性好的优点；通过构建基于StyleGAN的深度学习模型，提高了道路病害检测的效率及精度，有效解决了深度学习过程中数据量不足、数据标注困难的问题。
Description
技术领域
本发明涉及路面病害数据智能增强技术领域，尤其涉及一种基于生成对 抗网络的路面病害数据增强方法。
背景技术
截至目前，我国公路总里程数位居世界第一。在通车使用一段时间后， 无论是水泥还是沥青路面，都会陆续出现各种裂缝、坑洞等缺陷。这些病害 可以直接反应路面结构的耐久性、安全性。严重的病害使得公路承载能力等 使用性能严重下降，影响公路的运营安全，增加交通事故爆发频率。对路面 病害的定期检测，根据病害检测的种类、位置及尺寸信息，进一步推断出路 基层面内在的破坏及潜在的原因，对于路面安全评定、运营、维护是十分重 要的。
目前，路面病害的检测主要有人工巡检、基于图像处理技术的检测方法， 但是上述方法存在自动化程度不高、检测精度低的弊端。近几年，随着人工 智能及深度学习技术发发展，基于深度学习技术的智能检测方法，逐步应用 于路面病害智能检测领域中。基于深度学习的检测方法可以提高病害检测的 效率及精度，并且可以实现智能检测。但是基于深度学习的检测方法需要大 数据的支持，因此该方法常常面临数据量不足、数据标注困难等问题。并且 受光照条件、图像采集设备及路面自身成像特点等因素的影响直接对路面病害特征进行提取往往比较困难。因此，通常情况下需要数据增强技术，可以 提高检测的准确度及稳定性，带来深度学习检测模型性能的提高。
此外，图像滤波增强方法、直方图均衡化增强方法以及邻域去噪等基于 图像处理的数据增强方法，存在自动化程度不高、增强效果较差的问题，难 以取得令人满意的效果。
发明内容
针对数据增强的迫切需要及现有方法的局限性，本发明提出了一种基于 生成对抗网络的路面病害数据增强方法。该方法适用范围广，通过深度学习 技术可实现对路面病害的智能和有效增强，使得路面病害特征更加显著，便 于路面病害特征的提取，为后续的智能检测模型训练奠定了坚实的基础。
为实现上述目的，本发明采用了如下的技术方案：
本发明提供了一种基于生成对抗网络的路面病害数据增强方法，包括以 下步骤：
S1，获取路面病害图像；
S2，构建路面病害数据库；
对采集的路面病害图像进行预处理，构建用于深度学习的原始的路面病害 数据库；
S3，生成对抗网络模型训练；
构建基于生成对抗网络的路面病害数据增强模型，并初始化模型超参数， 进行模型训练；
S4，生成对抗网络模型调参；
评估训练后生成的模型并调整模型超参数，直至模型收敛且满足评价指标 FID要求，保存此时的网络权重参数；
S5，生成对抗网络数据增强；
使用调整好超参数的模型对路面病害数据进行增强，生成高质量的路面病 害图像。
其中，步骤S3中的模型训练包括以下步骤：
S31，设定初始学习率、学习率衰减系数、最大迭代次数、批次大小、训练 图像尺寸以及优化器的参数；
S32，开始训练，并计算训练模型的损失，若该损失小于预先设定的损失阈 值，则执行步骤S4；反之，执行步骤S3。
进一步地，步骤S3中，初始学习率设置为0.001、学习率衰减系数设置为 每迭代2000次衰减10倍、最大迭代次数设置为20000次、批次大小设置为128、 训练图像尺寸设置为512×512、优化器采用Adma优化算法、超参数beta设置 为0.5。
进一步地，步骤S3中所述路面病害数据的增强方法为StyleGAN，属于无 监督学习算法，该增强方法包括生成网络和判别网络。
进一步地，步骤S3中基于StyleGAN模型的数据增强方法训练主要包括前 向传播与反向传播。
进一步地，步骤S32中，计算StyleGAN的损失函数时，通过反向传播的形 式，使用随机梯度下降法将损失从最后一层向前传递，最小化该损失函数，并 更新模型的权值参数。
其中，步骤S4中，所述模型的评估包括以下步骤：
S41，计算评价指标FID；
S42，判断FID是否满足要求；若满足，则保存模型和权重参数；若不满足， 则返回步骤S3。
进一步地，步骤S5中，使用步骤S4中调整好超参数的模型对路面病害数 据进行增强。
其中，所述步骤S2中对采集的路面病害图像的预处理包括以下步骤：
S21，去噪；根据路面病害特点，采用高斯平滑滤波对图像进行去噪；
S22，裁剪；将去噪后的图像裁剪为预定像素的图像。
进一步地，步骤S1中的路面病害图像包括：裂缝、龟裂以及坑洞。
本发明的有益效果是：
本发明提出了一种基于生成对抗网络的路面病害数据增强方法，通过构 建基于StyleGAN的深度学习模型，使得路面病害区域特征更加显著，实现 了高质量路面病害图像的生成；有效提高了基于深度学习的路面病害检测的 检测精度；具有适用范围广、智能和鲁棒性好的优点；提高了道路病害检测 的效率及精度，有效解决了深度学习过程中数据量不足、数据标注困难的问 题。
附图说明
图1为本发明的基于生成对抗网络的路面病害数据增强方法的流程示意 图；
图2为原始的路面病害图像；
图3为本发明的基于生成对抗网络的路面病害数据增强方法StyleGAN 的网络结构示意图；
图4为本发明的基于生成对抗网络的路面病害数据增强方法StyleGAN 的生成网络结构示意图；
图5为本发明的基于生成对抗网络的路面病害数据增强方法中的路面病 害的生成图像。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体 实施例对本发明进行详细描述。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在 附图中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤，而省略了 与本发明关系不大的其他细节。
另外，还需要说明的是，术语“包括”、“包含”或者其任何其他变体 意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或 者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还 包括为这种过程、方法、物品或者设备所固有的要素。
请参阅图1-图5所示，本发明提供了一种基于生成对抗网络的路面病害 数据增强方法，包括以下步骤：
S1，获取路面病害图像；
S2，构建路面病害数据库；
对采集的路面病害图像进行预处理，构建用于深度学习的原始的路面病 害数据库；
S3，生成对抗网络模型训练；
构建基于生成对抗网络的路面病害数据增强模型，并初始化模型超参数， 进行模型训练；
S4，生成对抗网络模型调参；
评估训练后生成的模型并调整模型超参数，直至模型收敛且满足评价指 标FID要求，保存此时的网络权重参数；
S5，生成对抗网络数据增强；
使用调整好超参数的模型对路面病害数据进行增强，生成高质量的路面 病害图像。
其中，步骤S2中对采集的路面病害图像的预处理包括以下步骤：
S21，去噪；依据路面病害特点，采用高斯平滑滤波对图像进行光滑去 噪，消除拍摄过程中产生的噪声；
S22，裁剪；路面病害图像的像素规格包括1024×720、1600×1200、1920 ×1080、2304×1728，保证获取的路面检测图像的清晰度。病害图像的裁剪 尺寸优选为512×512像素，当然，也可以剪裁成256×256等像素尺寸，本 发明不做限定。
其中，步骤S3中的模型训练包括以下步骤：
S31，设定初始学习率、学习率衰减系数、最大迭代次数、批次大小、 训练图像尺寸以及优化器的参数；接着，使用高斯(0，1)随机初始化模型 的权重参数；
S32，开始训练；通过正向传播将训练图像输入到基于生成对抗网络的 路面病害数据增强模型中，经过若干层得到模型的实际输出，计算该实际输 出与目标期望输出的误差值；若该损失小于预先设定的损失阈值，则执行步 骤S4；反之，返回步骤S3。
进一步地，如图3所示，步骤S3中，所述的生成对抗网络为StyleGAN， 主要包括生成网络与判别网络。这两个网络都是深度神经网络，均使用 LeakyRelu作为激活函数。在本实施例中，以卷积神经网络为判别网络，以 如图4所示的深度学习网络为生成网络，主要包括映射网络(Mapping Network)及样式模块(style modules，AdaIN，自适应实例归一化)。映射 网络的目标是将输入向量编码为中间向量，中间向量W的不同元素控制不同 的视觉特征。样式模块的计算方式如下：首先每个特征图(feature map)独 立进行归一化，然后对每个特征图分别使用style中学习到的平移和缩放因子 进行尺度和平移变换。生成网络，尽可能生成与训练集分布一致的数据，使 得生成的数据尽可能地趋近于真实数据；判别网络，尽可能地区分真实数据 (训练集数据)与生成网络生成的数据。
进一步地，步骤S3中StyleGAN模型的超参数设置如下：初始学习率设 置为0.001、学习率衰减系数设置为每迭代2000次衰减10倍、最大迭代次 数设置为20000次、批次大小设置为128、训练图像尺寸设置为512×512、 优化器采用Adma优化算法、超参数beta设置为0.5，并且使用高斯(0，1) 随机初始化模型的权重参数。
进一步地，步骤3中，基于StyleGAN模型的数据增强方法训练主要包 括前向传播与反向传播。前向传播，首先是将服从标准正态分布的随机噪声 z输入到生成网络G中，G(z)表示将向量z映射到图像空间的生成器函数， 生成网络G的目标是估计真实数据概率密度分布pdata，用来生成“假样本”， 在本实施例中，G(z)表示生成“虚假”路面病害图像，其次将真实路面病 害图像x与“虚假”路面病害图像G(z)输入到判别网络D，判别该数据是“假”路面病害图像还是从训练集中得到的“真”路面病害图。从生成网络 G的角度来看，生成器G希望自己生成的“虚假”数据G(z)可以尽可能骗 过判别网络D，而判别网络D将尽可能地区分“真”数据和“假”数据。D (G(z))是生成网络G输出真实图像的概率。判别网络D需要最大化它 正确分辨“真假”数据的概率logD(x)，而生成网络G想要最小化判别器D 预测其输出是“假”的概率log(1-d(G(X)))，故在本发明中定义StyleGAN 的损失函数的计算公式如下：
其中，pdata为数据的概率密度分布，x为真实路面数据。
然后通过反向传播的形式，使用随机梯度下降法(Stochastic GradientDescent,SGD)将损失从最后一层向前传递，最小化该损失函数，从而更新 模型的权值参数。即，将损失函数为最小值时的权值参数作为模型的新的权 值参数。并反复进行迭代训练，当模型误差损失值小于阈值或者达到最大迭 代次数，停止训练，执行步骤S4。否则重新调整超参数，继续训练模型，直 至模型误差损失值小于阈值或者达到最大迭代次数。
其中，步骤S4中模型的评估包括以下步骤：
S41，选取FID作为模型的评价指标，并计算评价指标FID；
S42，判断该指标是否满足要求；若满足，则保存模型及权重参数； 若不满足，则返回步骤S3。
进一步地，步骤S4中，选取FID作为评价指标，FID是计算真实图像 和生成图像的特征向量之间距离的一种度量。FID分数越低代表两组图像越 相似，计算公式如下式所示：
其中，g和x分别代表生成的路面病害图像和真实路面病害图像，μg为 生成图像特征的均值，μx为真实图像特征的均值，Σg和Σr表示各自特征 向量的协方差矩阵，Tr表示矩阵的迹，即为矩形的主对角线上各个元素的总 和。
其中，步骤S5中，使用调整好超参数的模型对路面病害数据进行增强， 生成高质量的路面病害图像。通过设定控制生成路面病害图像的数量，从而 实现路面病害数据集的增强，为后续路面病害分割模型的训练打下坚实的基 础。
请参阅图2和图5所示，使用上述基于生成对抗网络的路面病害数据增 强方法对图2中的原始路面病害数据图像进行数据增强得到图5的生成图像。 从图中可以看到，图5中的生成图像与图2中的原始图像无限接近。但是， 由于图5中的生成图像是经过处理的，因而与原始数据的图像完全不同。此 外，该数据增强方法还会填充原始数据中未覆盖的原始图像分布。因此，可 以应用该基于生成对抗网络的路面病害数据增强方法实现数据集的有效扩充、 有效解决图像分布不均匀问题，从而显著提高深度学习模型的性能。
综上所述，本发明提供了一种基于生成对抗网络的路面病害数据增强方 法。该方法构建了基于生成对抗网络的路面病害数据增强模型，通过调整模 型超参数实现模型的优化。该方法适应范围广，实现了对路面病害的智能、 有效增强，使得路面病害特征更加显著，解决了现有数据增强方法存在的自 动化程度不高、增强效果差的问题，为后续智能检测模型的训练奠定了坚实 的基础。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是 利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间 接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于生成对抗网络的路面病害数据增强方法，其特征在于，包括以下步骤：
S1，获取路面病害图像；
S2，构建路面病害数据库；
对采集的路面病害图像进行预处理，构建用于深度学习的原始的路面病害数据库；
S3，生成对抗网络模型训练；
构建基于生成对抗网络的路面病害数据增强模型，并初始化模型超参数，进行模型训练；
S4，生成对抗网络模型调参；
评估训练后生成的模型并调整模型超参数，直至模型收敛且满足评价指标FID要求，保存此时的网络权重参数；
S5，生成对抗网络数据增强；
使用调整好超参数的模型对路面病害数据进行增强，生成高质量的路面病害图像。
2.根据权利要求1所述的基于生成对抗网络的路面病害数据增强方法，其特征在于，所述步骤S3中，模型训练包括以下步骤：
S31，设定初始学习率、学习率衰减系数、最大迭代次数、批次大小、训练图像尺寸以及优化器的参数；
S32，开始训练，并计算训练模型的损失，若该损失小于预先设定的损失阈值，则执行步骤S4；反之，执行步骤S3。
3.根据权利要求2所述的基于生成对抗网络的路面病害数据增强方法，其特征在于，所述步骤S3中，初始学习率设置为0.001、学习率衰减系数设置为每迭代2000次衰减10倍、最大迭代次数设置为20000次、批次大小设置为128、训练图像尺寸设置为512×512、优化器采用Adma优化算法、超参数beta设置为0.5。
4.根据权利要求3所述的基于生成对抗网络的路面病害数据增强方法，其特征在于，在步骤S3中，所述路面病害数据的增强方法为StyleGAN，属于无监督学习算法，所述增强方法包括生成网络和判别网络。
5.根据权利要求4所述的基于生成对抗网络的路面病害数据增强方法，其特征在于，在步骤S3中，所述基于StyleGAN的数据增强方法的模型训练主要包括前向传播与反向传播。
6.根据权利要求5所述的基于生成对抗网络的路面病害数据增强方法，其特征在于，在步骤S32中，计算StyleGAN的损失函数时，通过反向传播的形式，使用随机梯度下降法将损失从最后一层向前传递，最小化该损失函数，并更新模型的权值参数。
7.根据权利要求1所述的基于生成对抗网络的路面病害数据增强方法，其特征在于，所述步骤S4中，所述模型的评估包括以下步骤：
S41，计算评价指标FID；
S42，判断FID是否满足要求；若满足，则保存模型和权重参数；若不满足，则返回步骤S3。
8.根据权利要求1所述的基于生成对抗网络的路面病害数据增强方法，其特征在于，在步骤S5中，使用步骤S4中调整好超参数的模型对路面病害数据进行增强。
9.根据权利要求1所述的基于生成对抗网络的路面病害数据增强方法，其特征在于，在步骤S2中，对采集的路面病害图像的预处理包括以下步骤：
S21，去噪；根据路面病害特点，采用高斯平滑滤波对图像进行去噪；
S22，裁剪；将去噪后的图像裁剪为预定像素的图像。
10.根据权利要求1所述的基于生成对抗网络的路面病害数据增强方法，其特征在于，所述步骤S1中获取的路面病害图像种类包括：裂缝、龟裂以及坑洞。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111171277.7A CN114022368A (zh) | 2021-10-08 | 2021-10-08 | 基于生成对抗网络的路面病害数据增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111171277.7A CN114022368A (zh) | 2021-10-08 | 2021-10-08 | 基于生成对抗网络的路面病害数据增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114022368A true CN114022368A (zh) | 2022-02-08 |
Family
ID=80055445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111171277.7A Pending CN114022368A (zh) | 2021-10-08 | 2021-10-08 | 基于生成对抗网络的路面病害数据增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022368A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445785A (zh) * | 2022-04-11 | 2022-05-06 | 广东省农业科学院植物保护研究所 | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 |
| CN117058536A (zh) * | 2023-07-19 | 2023-11-14 | 中公高科养护科技股份有限公司 | 一种基于双分支网络的路面病害识别方法、装置及介质 |
| CN117541555A (zh) * | 2023-11-16 | 2024-02-09 | 广州市公路实业发展有限公司 | 一种道路路面病害检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
| CN111046978A (zh) * | 2020-01-15 | 2020-04-21 | 中国石油大学(华东) | 一种基于StyleGANs和决策融合的皮肤镜图像识别方法 |
| CN112200143A (zh) * | 2020-11-02 | 2021-01-08 | 坝道工程医院(平舆) | 一种基于候选区域网络和机器视觉的道路病害检测方法 |
| CN113034411A (zh) * | 2020-12-19 | 2021-06-25 | 北京工业大学 | 一种耦合传统方法和深度卷积对抗生成网络的道路病害图片增强方法 |
-
2021
- 2021-10-08 CN CN202111171277.7A patent/CN114022368A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107016406A (zh) * | 2017-02-24 | 2017-08-04 | 中国科学院合肥物质科学研究院 | 基于生成式对抗网络的病虫害图像生成方法 |
| CN111046978A (zh) * | 2020-01-15 | 2020-04-21 | 中国石油大学(华东) | 一种基于StyleGANs和决策融合的皮肤镜图像识别方法 |
| CN112200143A (zh) * | 2020-11-02 | 2021-01-08 | 坝道工程医院(平舆) | 一种基于候选区域网络和机器视觉的道路病害检测方法 |
| CN113034411A (zh) * | 2020-12-19 | 2021-06-25 | 北京工业大学 | 一种耦合传统方法和深度卷积对抗生成网络的道路病害图片增强方法 |
Non-Patent Citations (4)
| Title |
|---|
| HAROLD ACHICANOY ET AL.: "StyleGANs and Transfer Learning for Generating Synthetic Images in Industrial Applications", pages 1 - 16 * |
| TERO KARRAS ET AL.: "A Style-Based Generator Architecture for Generative Adversarial Networks", pages 4401 - 4410 * |
| 姜雨辰 朱斌: "少样本条件下基于生成对抗网络的遥感图像数据增强", vol. 58, no. 58, pages 0810022 - 330 * |
| 徐宗本 姚新: "《深度学习之人脸图像处理 核心算法与案例实践》", 31 May 2021, 北京航空航天大学出版社, pages: 345 - 347 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445785A (zh) * | 2022-04-11 | 2022-05-06 | 广东省农业科学院植物保护研究所 | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 |
| CN117058536A (zh) * | 2023-07-19 | 2023-11-14 | 中公高科养护科技股份有限公司 | 一种基于双分支网络的路面病害识别方法、装置及介质 |
| CN117058536B (zh) * | 2023-07-19 | 2024-04-30 | 中公高科养护科技股份有限公司 | 一种基于双分支网络的路面病害识别方法、装置及介质 |
| CN117541555A (zh) * | 2023-11-16 | 2024-02-09 | 广州市公路实业发展有限公司 | 一种道路路面病害检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114022368A (zh) | 基于生成对抗网络的路面病害数据增强方法 | |
| CN109086773B (zh) | 基于全卷积神经网络的断层面识别方法 | |
| CN108764006B (zh) | 一种基于深度强化学习的sar图像目标检测方法 | |
| CN105139395B (zh) | 基于小波池化卷积神经网络的sar图像分割方法 | |
| CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
| CN111724478A (zh) | 一种基于深度学习的点云上采样方法 | |
| CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
| CN110135354B (zh) | 一种基于实景三维模型的变化检测方法 | |
| CN116758059A (zh) | 一种用于路基路面的视觉无损检测方法 | |
| CN109214422B (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
| CN113177456B (zh) | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 | |
| CN110276264A (zh) | 一种基于前景分割图的人群密度估计方法 | |
| CN102938071A (zh) | 基于非局部均值的sar图像变化检测模糊聚类分析方法 | |
| CN110245587B (zh) | 一种基于贝叶斯迁移学习的光学遥感图像目标检测方法 | |
| CN115082791A (zh) | 一种基于深度可分离卷积网络的气象锋面自动识别方法 | |
| CN110211109B (zh) | 基于深度神经网络结构寻优的图像变化检测方法 | |
| CN117495735A (zh) | 一种基于结构引导的建筑物立面纹理自动修复方法及系统 | |
| CN117611485B (zh) | 一种基于时空图神经网络的三维岩心渗透率预测方法 | |
| CN113643300A (zh) | 一种基于Seg-CapsNet算法的路面裂缝像素级别检测方法 | |
| CN113095164A (zh) | 基于强化学习和标志点表征的车道线检测定位方法 | |
| CN117132508A (zh) | 基于gis+bim技术的数字孪生数据驱动方法及系统 | |
| CN116402836A (zh) | 一种基于空域统计相似度和频域纹理相似度的sar图像分割方法 | |
| CN115797311A (zh) | 一种基于深度强化学习的公路裂缝图像分割方法 | |
| CN113705326B (zh) | 一种基于全卷积神经网络的城市建设用地识别方法 | |
| CN114708432A (zh) | 基于规则网格离散化目标分割区域的加权度量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220208 |