华南理工大学学报(自然科学版)

作者：蒋盛川, 钟山, 吴荻非, 刘成龙

单位：1.上海理工大学 交通系统工程系，上海 200093；2.同济大学 道路与交通工程教育部重点实验室，上海 201804

关键词：交通基础设施,图像生成,裂缝检测,生成对抗网络

基金：国家自然科学基金资助项目(52202390);上海市科委启明星项目(22QB1405100)

基于深度学习的交通基础设施裂缝检测模型依赖于大规模的数据进行训练。针对特定交通设施场景下多种形态的裂缝样本图像难以获取的问题，文中提出了一种基于Pix2PixHD模型的交通基础设施裂缝病害图像增广方法。首先，基于收集的少量裂缝图像数据，利用Pix2PixHD模型建立裂缝病害的真实图像和标注标签之间的空间映射关系；然后，编辑标签域中的对象，通过迁移其他数据集标签、人工编辑、图像形态学膨胀操作、随机叠加操作等生成表征多种形态的裂缝轮廓；最后，将编辑后的标签域通过Pix2PixHD模型转换回图像域，以实现交通基础设施裂缝数据集的自适应增广。文中考虑了主要的交通基础设施材料和结构（沥青路面、隧道衬砌和混凝土材料结构），选取GAPS384、Tunnel200和DeepCrack数据集进行实验。结果表明：通过扩增数据集训练的U-Net模型，检测精度更高，更易于跳出局部最优解；相比于DCGAN模型，文中方法能够控制裂缝的形态且保证骨架的连续性，可以有针对地提高原有裂缝数据集的形态多样性，使检测模型在特定交通基础设施场景下具有更好的泛化能力。

来源：2024年第10期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2024年第10期