Page 36 - 无损检测2023年第一期
P. 36

仝泽兴, 等:

   路面裂缝检测融合分割方法

   缝进行检测。                                            1 数据集的采集与扩增
       传统的裂缝检测主要以人工检测为主, 但这种
   方法效率低下且依赖工人的经验, 具有一定的局限                           1.1 数据集的采集
   性。现阶段, 随着计算机视觉及模式识别领域的快                             深度神经网络的训练需要大量标注完成的图像
   速发展, 国内外的一些专家学者们提出了多种以目                           作为数据集来完成。丰富和高质量的数据集可以很
   标检测网络为主体的裂缝检测网络, 如: 李良福等                    [ 3 ]  大程度地提升模型精度和性能。但目前暂无开源且
   提出了一种基于深度学习的桥梁裂缝检测算法, 通                           标注完成的路面裂缝数据集, 而自行采集路面裂缝
   过滑动窗口算法切分图像解决了数据样本不足的问                            图像工作量较大且极易受到路面交通及车辆通行的
   题, 通过 DBCC ( 深度批次全卷积网络) 分类模型结                     影响, 具有一定的危险性。因此文章的一部分数据
   合改进的滑动窗口算法对裂缝进行检测, 但滑动窗                           集由无人机低空悬停拍摄采集, 另一部分数据集由
   口切分法得到的图像需人工判读才能找出包含裂缝                            数据扩增网络提供。
   的图像, 因此这种数据扩增方法效率较低; 毛莺池                          1.2 数据集的扩增
                                                                              [ 9 ]
   等 [ 4 ] 改进了以 ResNet-50为特征提取网络结合多任                   GAN ( 生成对抗网络) 是近年来数据扩增领
   务增强 RPN ( 区域选取) 的 FasterR-CNN 目标检                 域最有效的手段之一, 其在已拥有部分数据集的基
                                        [ 5 ]
                                                     础上, 自动生成与已有数据集相似的数据对数据集
   测网络, 并对大坝裂缝进行检测; 李想等                [ 6 ] 利用SSD
                                                     进行扩增。因此, 文章引入 GAN 网络对路面裂缝
   ( 单点多尺度目标检测器) 目标检测算法对混凝土结
                                                     数据集进行扩增。 GAN 网络的工作框图如图1所
   构裂缝进行高精度检测。这些以目标检测网络为主
                                                     示, GAN 网络由生成器和判别器组成, 其中, 随机生
   体的裂缝检测网络虽可以通过目标检测框输出裂缝
                                                     成的噪声向量为 G-Net ( 生成器) 的输入, G-Net通
   在图片背景的相对位置与目标区域块, 但裂缝分布
   路径不规整, 形态延展非线性, 具有特殊的拓扑结                          过随机生成的噪声向量生成一张假图像, 而 D-Net
                                                     ( 判别器) 的输入为真实拍摄的图像, 将 G-Net生成
   构, 而这些裂缝检测网络无法捕获裂缝的分布路径、
                                                     的图像和真实图像输入到 D-Net中进行判别, D-
   拓扑结构、 形状延展和密度信息等。然而, 这些信息
   往往非常重要, 也可为更深入地提取像素级的可量                           Net 会根据两张图的相似程度给出置信度评分并反
                                                     馈到 G-Net中, 若置信度较低, 则 G-Net会调整参
   化信息提供潜力, 例如计算裂缝的长度、 平均宽度、
                                                     数使得生成图像更加相似于真实图像, 从而 G-Net
   最大宽度、 面积等。为此, 另一些专家学者提出并改
                                                     的生成能力得到提升, 再将生成的假图像输入到 D-
   进了以图像处理技术与图像分割网络为主体的裂缝
                                                     Net 中进行判别, 使得 D-Net 的判别能力得到提升,
   分割网络, 例如: 徐欢等         [ 7 ] 提出了基于 O p enCV 开
                                                     在此过程中 G-Net与 D-Net相互博弈, 直至 D-Net
   源平台和改进 Cann y 算子的路面裂缝分割算法来
                                                     判别不出来 G-Net 生成的图像是真是假。 D-Net 和
   提取分割路面裂缝; JI等          [ 8 ] 基于 Dee p labv3+ 语义
                                                     G-Net 两部分的损失为
   分割网络提出了一种分割沥青路面裂缝的方法, 并
                                                                    [
                                                                           +
                                                                                {
                                                          L D-Net= lo gT( x ) ] lo g1-D [ G ( z )]} ( 1 )
   通过 FPT ( 正交骨架线法) 算法对裂缝进行量化计
                                                                  L G-Net= lo gD [ G( z ) ]}    ( 2 )
                                                                             {
   算。这些以图像处理算法与图像分割网络为主体的
                                                                为 D-Net的损失函数; T ( x ) 为 D-Net
                                                     式中: L D-Net
   裂缝分割网络虽然能获取裂缝的分布路径、 拓扑结
                                                     对真实图像的判别结果; D [ G ( z )] 为 D-Net对生
   构、 形状延展和密度等信息, 但是在动态地对路面裂
                                                     成图像G ( z ) 的判别结果, 判别结果的范围为 [ 0 ,
   缝进行分割时缺乏裂缝在图像中的相对位置信息,
                                                     1 ], 结果越接近1则说明置信度越高。
   而带有裂缝缺陷的路面往往少于正常路面, 从而很                               D-Net 对生成图像的判别结果 D [ G ( z )] 应当
   难从诸多分割图像中筛选并定位含有裂缝的图像。                            尽可能地为 0 , 对真实图像的判别结果T ( x ) 应当尽
   为解决这些问题, 笔者提出一种针对路面裂缝的检

   测分割网络, 选用高精度的 YOLO V5目标检测网

   络作为主框架, 并为 YOLOV5添加分割模块, 以同
   时对路面裂缝进行检测和分割; 针对裂缝数据集不
   足的问题, 提出了应用生成对抗网络对裂缝数据集
                                                                 图1 GAN 网络的工作框图
   进行扩增的方法。
    2
          2023年 第45卷 第1期
          无损检测
   31   32   33   34   35   36   37   38   39   40   41