长江信息通信杂志

摘要：隧道衬砌缺陷检测对于保障基础设施安全至关重要,但缺陷样本稀缺的小样本问题严重制约了深度学习模型的性能。虽然生成对抗网络(GANs)可用于数据增强,但传统GAN训练不稳定,WGAN-GP的固定梯度惩罚系数难以平衡约束强度与生成多样性。为此,文章提出一种基于自适应梯度惩罚的改进WGAN(AdaEGP-WGAN)数据增强方法:通过设计线性衰减的自适应惩罚机制,动态调节训练强度以兼顾特征学习与细节生成;并采用自动微分与计算图复用技术优化计算流程,提升训练效率。实验表明,该方法在小样本隧道缺陷生成任务中,在样本质量、训练效率及检测精度上均优于GAN与WGAN-GP,为小样本缺陷检测提供了有效的解决方案。

关键词： 生成对抗网络;隧道衬砌缺陷检测;数据增强;自适应梯度惩罚;高效计算;小样本学习;

基金资助： 河南省科技攻关项目（No.222102210135）；

DOI： 10.20153/j.issn.2096-9759.2026.08.001

专辑： 信息科技;工程科技Ⅱ辑

专题： 公路与水路运输;自动化技术

分类号： U455.91;TP18