Page 115 - 2025年第56卷第10期
P. 115
图 3 损坏图像生成过程及生成的损坏图像示意
3 网络模型
考虑到生成对抗网络在图像生成任务中的优异表现 ［24］ ，本文采用生成对抗网络架构对损坏图像进
行重构。基于该架构的 AGR-CrackNet 的训练和测试流程如图 4 所示。在训练阶段，首先根据裂缝的几
何形状和灰度分布的统计特征，随机生成用于重构网络训练的损坏图像。随后，将生成的损坏图像与
混凝土图像一同输入重构网络，并通过最小化对抗网络基本损失、掩膜对抗损失和内容注意力损失来
优化网络权重参数。在测试阶段，当输入裂缝图像时，模型利用重构网络生成重构图像，并通过计算
裂缝图像与重构图像之间的绝对差值构建差异图。最后，采用 Otsu 阈值分割方法 ［31］ 处理差异图，获得
裂缝的分割结果。
图 4 网络模型
3.1 注意力引导机制 在模型重构过程中，以往大多数网络采用的全局重构方式在重构损坏图像时会
使部分背景区域也被重构，增加了网络的计算负担 ［32］ 。此外，在测试阶段，裂缝图像的混凝土区域同
样会被重构，从而导致计算差异图时引入了较多的背景干扰，二值化分割结果中会出现较多的错误分
割区域。
为解决上述问题，本文提出一种基于注意力引导机制的重构网络模型。该模型将传统的图像生成
— 1362 —
