本技术介绍了一种海底隧道路面裂缝智能识别技术与系统,属于图像识别处理技术领域。该技术包括获取待识别的海底隧道路面裂缝图像,并将其输入至CycleGAN网络进行预处理,实现裂缝特征的高效提取。
背景技术
海底隧道的路面裂缝是道路结构中常见的病害之一,精准地对海底隧道路面裂缝检测对于海底隧道养护和安全管理至关重要。随着计算机视觉和深度学习技术的快速发展,语义分割模型在路面裂缝检测场景得到了广泛应用。然而,现有技术在实际应用中仍面临诸多挑战,特别是在数据集获取和处理方面。传统真实裂缝图像数据集主要通过人工标注真实世界的路面图像来获得。然而,这种方法标注过程既耗时又耗力,制作成本高,制作周期长,并且人工标注过程中可能会产生误差,直接影响模型的训练效果及其检测结果的准确性。
为了解决真实裂缝图像数据集存在的上述问题,研究者们开始探索使用计算机图形学技术生成虚拟裂缝图像数据集,虚拟裂缝图像数据集具有制作成本低、周期短、标注准确等明显优势,但由于虚拟裂缝图像与真实裂缝图像在光照、纹理、噪声等方面存在域间差异,使得直接在虚拟裂缝图像数据集上训练的模型难以适应真实应用场景,往往会造成模型在真实裂缝图像上的分割精度较低。并且,尽管计算机图形技术能够生成高质量的虚拟裂缝图像,但这些虚拟裂缝图像中的裂缝特征和形态无法完全覆盖真实裂缝图像的多样性,这也会降低模型在真实裂缝图像上的分割精度。
基于此,如何减小虚拟裂缝图像数据集与真实裂缝图像数据集之间的域间差异,提升模型对真实裂缝图像的分割精度,成为了本领域亟待解决的一个技术问题。
实现思路