基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别

针对目前人工检测桥梁表面缺陷存在精度低,速度慢和漏检率高等问题,本文提出了基于深度卷积生成式对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)和改进YOLOv5s的桥梁表面缺陷检测识别模型。首先,通过DCGAN网络对自主采集到的桥梁表面缺陷图像进行数据增强,建立每类缺陷样本数量较为均衡的数据集。其次,在YOLOv5s模型基础上嵌入CBAM注意力机制模块,使模型将注意力集中于缺陷区域,从而提升图像分类的准确率。最后,为验证所提方法的适用性,将包含4类桥梁表面缺陷的数据集进行训练与测试。实验结果表明,本文提出的模型在桥梁表面缺陷检测上的准确率为92%,同时相比其他深度学习模型具有更高的检测精度和鲁棒性。