摘要
裂纹分割是基础设施维护中的一项重要任务。工程结构需要定期进行裂纹检查和维护，以降低进一步恶化的风险。对于不同环境条件下的裂纹分割，需要充足且具有代表性的训练数据来有效训练神经网络模型。然而，在实际图像采集过程中，光照、可见度、表面纹理、图像分辨率和环境噪声的变化会改变裂纹的外观并降低分割的稳定性。为解决这些问题，本研究开发了一种利用GAN、CNN和VGG19的级联裂纹数据增强框架。GAN首先生成多样化的裂纹图像。随后，掩膜预测CNN生成相应的二值伪标签掩膜，接着，VGG19风格迁移引入目标环境外观。在风格迁移过程中，内容约束将变化限制在裂纹相关的结构上，而先前预测的掩膜保持不变，并与迁移后的图像配对。所得的图像和掩膜对用于扩展后续裂纹分割的训练数据。使用代表不同环境条件的裂纹数据集对该框架进行了评估。实验结果表明，所提出的增强程序支持在复杂环境干扰下进行裂纹分割，并提高了模型对环境外观变化的适应性。当复杂环境中的代表性图像有限时，该框架提供了一种扩展裂纹训练数据的实用方法。
