Page 117 - 2025年第56卷第10期

Otsu 阈 值 分 割 方 法 ［31］ 对 差 异 图 进 行 处 理 ， 生 成 裂 缝 分 割 结 果 。 裂 缝 分 割 的 具 体 计 算 过 程 如 式（2）
所示。
S = O(|I tr - I tc |) （2）
式中：| ⋅ | 表示绝对值计算；O(⋅)为 Otsu 阈值分割算法。
3.4 损失函数 为了提高裂缝区域的重构质量并减少非裂缝区域重构所引起的分割误差，本文引入多
种损失函数，包括生成对抗网络的基本损失（重构损失和图像对抗损失）、掩膜对抗损失和内容注意力
损失。各项损失的详细描述如下：
（1）基本损失。AGR-CrackNet 以生成对抗网络为基本架构，用于恢复损坏图像。在该网络中，重
构损失和图像对抗损失作为基本损失，分别用于减少重构图像与损坏前图像之间的差异，以及增强重
构 图 像 的 生 成 质 量 ， 从 而 提 升 模 型 的 重 构 能 力 与 分 割 性 能 。 重 构 损 失 L recon 和 图 像 对 抗 损 失
L adv (G，D image )的定义如下：
 （3）
L recon =  I r - I b
1
L adv (G，D image ) = E ((D image (F (G(I c ，z) 1 ，G(I c ，z) 2 ，I c )，I c ) - 0) ) + E ((D image (I b ，I c ) - 1) )
2
2

I c ~p data (I c )，z~p data ( z) I b ，I c ~p data (I b ，I c )

（4）
式中：I 为混凝土背景图像；p data (I b ，I c ) 为 I b - I c 联合分布；p data (I c ) 和 p data ( z) 分别为 I c 分布和噪声分
b
布；F (⋅) 表示图像融合过程，如式（1）所示；G (I c ，z) i （i = 1，2）为重构网络生成器生成的第 i 个特征，
其中 i = 1 表示生成的特征第 1 个通道，即生成的掩膜图像 G ，i = 2 表示生成的特征第 2 ~ 4 个通道，即
m
内容图像 G 。基本损失为 L basic = k 1 L recon + k 2 L adv (G，D image )，k 1 、k 2 分别为用于调整重构损失和图像对抗
c
损失权重的超参数，以优化损坏图像的重构效果。
（2）掩膜对抗损失。为了进一步优化重构图像的生成质量以提高裂缝的分割精度并促使生成特征
的第 1 个通道为掩膜图像，本文设计了掩膜对抗损失，用于减小生成的掩膜 G m 与真实掩膜 M r 分布特
征的差异，从而减少最终生成的重构图像 I r 与损坏图像 I c 在混凝土背景区域的差异。掩膜对抗损失的
定义如下：
L adv (G，D mask ) = E ((D mask ( M r ，I c ) - 1) ) + E ((D mask (G (I c ，z) 1 ，I c ) - 0) ) （5）
2
2

M r ，I c ~p data ( M r ，I c ) I c ~p data (I c )，z~p data ( z)

式中 p data ( M r ，I c )为 M r - I c 联合分布。
（3）内容注意力损失。为更有效地减小掩膜区域内背景图像与生成图像的差异并控制生成特征的
第 2 ~ 4 个通道为内容图像，本文设计了内容注意力损失。该损失通过反转注意力掩膜 G m ，并将其分
别与背景图像 I b 和生成的内容图像 G c 逐像素点灰度值相乘，以提取掩膜区域的图像特征。随后，计算
两者的平均误差，作为内容注意力损失：
 （6）
L attn =  I b *G mr - G c *G mr
1
式中 G mr 为生成注意力掩膜的反转图像，G mr = 1 - G m 。
（4）总损失。根据式（3）—（6），AGR-CrackNet 的总损失被定义为：
（7）
L total = L basic + ω 1 L adv (G，D mask ) + ω 2 L attn
式中 ω 1 和 ω 2 为用于调整不同损失函数的权重以优化损坏图像重构效果的超参数。
3.5 无监督大坝裂缝分割流程 如图 6 所示，基于 AGR-CrackNet 的大坝裂缝分割主要包括两个步骤：
缺陷图像采集及模拟、重构网络训练及分割，具体流程如下。
步骤 1：缺陷图像采集及模拟。在进行大坝裂缝检测前，使用无人机或水下机器人采集部分水上
或水下的混凝土背景图像及裂缝图像，构建重构网络训练所需要的数据集。通过分析裂缝图像的几何
形状和灰度分布，实现损坏图像的模拟。
步骤 2：重构网络训练及分割。设置训练所需要的超参数，并将采集的混凝土背景图像输入网络
进行训练。训练完成后，保存预训练模型参数，供后续的裂缝分割使用。待图像采集设备获取坝体表
面图像后，将其输入到预训练模型中，结合 Otsu 算法实现裂缝缺陷的自动分割。

— 1364 —