基于卷積神經(jīng)網(wǎng)絡(luò)的路面裂縫檢測(cè)*

趙珊珊， 何 寧

(1.北京聯(lián)合大學(xué) 北京市信息服務(wù)工程重點(diǎn)實(shí)驗(yàn)室，北京 100101； 2.北京聯(lián)合大學(xué) 智慧城市學(xué)院，北京 100101)

基于卷積神經(jīng)網(wǎng)絡(luò)的路面裂縫檢測(cè)*

趙珊珊1， 何 寧2

(1.北京聯(lián)合大學(xué)北京市信息服務(wù)工程重點(diǎn)實(shí)驗(yàn)室，北京100101；2.北京聯(lián)合大學(xué)智慧城市學(xué)院，北京100101)

對(duì)路面圖像塊預(yù)標(biāo)記，根據(jù)預(yù)標(biāo)記結(jié)果對(duì)路面圖像進(jìn)行強(qiáng)度歸一化預(yù)處理，在保留裂縫信息的同時(shí),減少背景光照不均的影響。將預(yù)處理后的路面圖像輸入卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型實(shí)現(xiàn)路面圖像裂縫的檢測(cè)。由于路面裂縫分布復(fù)雜，在訓(xùn)練網(wǎng)絡(luò)時(shí)，使用不同尺度和不同角度的路面圖像進(jìn)行模型訓(xùn)練，使得網(wǎng)絡(luò)能夠檢測(cè)不同裂縫形狀。實(shí)驗(yàn)結(jié)果顯示:裂縫檢測(cè)結(jié)果較好。

圖像處理； 公路裂縫； 卷積神經(jīng)網(wǎng)絡(luò)； 檢測(cè)

0 引 言

傳統(tǒng)的人工巡檢方式顯然已經(jīng)不能滿足巨大的公路路面巡檢需求，目前，很多計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)檢測(cè)裂縫。文獻(xiàn)[1]提出了基于多偏微分方程融合的增強(qiáng)算法檢測(cè)路面裂縫,該方法中梯度門限等重要參數(shù)不固定，只能處理同一條件下的路面圖像。文獻(xiàn)[2]將灰度去噪模型、空間濾波去噪模型等模型串聯(lián)起來，構(gòu)成了一個(gè)多級(jí)去噪模型,當(dāng)多種噪聲混雜在一起時(shí)，裂縫檢測(cè)的效果不明顯。文獻(xiàn)[3]提出了改進(jìn)的基于動(dòng)態(tài)規(guī)劃的算法檢測(cè)裂縫，算法執(zhí)行速度快但是準(zhǔn)確率較低。文獻(xiàn)[4]使用Gabor濾波器檢測(cè)裂縫,其對(duì)簡(jiǎn)單的路面裂縫檢測(cè)效果良好，對(duì)于分布復(fù)雜的裂縫檢測(cè)結(jié)果斷裂嚴(yán)重。文獻(xiàn)[5]使用4層的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN))實(shí)現(xiàn)了裂縫檢測(cè)，準(zhǔn)確率為87 %，精度有待提高。文獻(xiàn)[6]提出了一種新的區(qū)域增長(zhǎng)算法檢測(cè)裂縫，其對(duì)于紋理細(xì)小且分散的路面裂縫檢測(cè)結(jié)果不好。為了提高裂縫檢測(cè)的準(zhǔn)確率，本文提出了基于CNN[7,8]檢測(cè)路面圖像的裂縫。

1 圖像預(yù)處理

對(duì)預(yù)標(biāo)記后的路面圖像進(jìn)行強(qiáng)度歸一化和像素飽和化預(yù)處理以減少光照不均等的影響。將2 400像素×3 150像素的路面圖像劃分為16行、21列的150像素×150像素圖像塊，計(jì)算每個(gè)圖像塊的均值和標(biāo)準(zhǔn)差，因此，每幅路面圖像均有16×21的均值矩陣Mm和標(biāo)準(zhǔn)差矩陣STDm。

1.1 預(yù)標(biāo)記

對(duì)Mm矩陣分別做縱向和橫向掃描查找包含裂縫像素的圖像塊，預(yù)標(biāo)記的目的是將包含裂縫像素的圖像塊標(biāo)記為‘1’，不包含裂縫像素的圖像塊標(biāo)記為‘0’。首先對(duì)Mm縱向掃描，預(yù)標(biāo)記方法為

mean(Bvj))]∧[(Av(i,j)[1]-Av(i,j)[2])>0]

(1)

(2)

縱向掃描后，水平掃描以類似的方式進(jìn)行，Av和Bv分別由Ah和Bh替代，預(yù)標(biāo)記方法如下

mean(Bhi))]∧[(Ah(i,j)[1]-Ah(i,j)[2])>0]

(3)

Bhi=[0;std(Ah(i,2));…;std(Ah(i,20));0]

(4)

1.2 強(qiáng)度歸一化

強(qiáng)度歸一化主要是為了去除路面光照不均。首先計(jì)算每幅圖像不包含裂縫像素圖像塊的平均像素強(qiáng)度值的平均值bilimg。根據(jù)bilimg值，可以為每一幅圖像計(jì)算出一個(gè)與Mm均值矩陣同維的歸一化常數(shù)矩陣Mnc。

對(duì)于標(biāo)記為‘0’的圖像塊，對(duì)應(yīng)的歸一化常數(shù)矩陣Mnc元素用式(5)計(jì)算

(5)

對(duì)于預(yù)標(biāo)記為‘1’的圖像塊，其對(duì)應(yīng)的Mnc計(jì)算如下

(6)

式中k(0)為圖像塊(i,j)的鄰域標(biāo)記為‘0’的圖像塊的數(shù)量和。從3×3鄰域(此時(shí)式(6)中a=b=1)開始搜索標(biāo)記為‘0’的圖像塊直至找到標(biāo)記為‘0’的圖像塊。該方法對(duì)圖像塊的像素強(qiáng)度值改變較小，可防止預(yù)標(biāo)記為‘1’區(qū)域的像素強(qiáng)度的劇烈變化，丟失可能包含裂縫像素的區(qū)域。由圖1可以看出，強(qiáng)度歸一化方法在有效減少背景光照不均的同時(shí)保留了裂縫像素。

圖1 強(qiáng)度歸一化

2 基于CNN的裂縫檢測(cè)

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

本文的CNN結(jié)構(gòu)與VGGNet不同的是：該網(wǎng)絡(luò)的卷積層conv1_1,conv2_2,conv3_3,conv4_3連接到了最后的卷積層。該網(wǎng)絡(luò)不存在VGGNet的第5個(gè)卷積層，第5個(gè)池化層和全連接層，因?yàn)榈?個(gè)卷積層和第5個(gè)池化層會(huì)生成小且模糊的特征圖，影響最終檢測(cè)效果。全連接層的耗時(shí)較長(zhǎng)，因此，去掉全連接能夠大幅減少訓(xùn)練和測(cè)試的內(nèi)存與時(shí)間耗費(fèi)。最終網(wǎng)絡(luò)結(jié)構(gòu)共有4個(gè)階段，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 路面裂縫檢測(cè)網(wǎng)絡(luò)框架

對(duì)每個(gè)中間層輸出的錯(cuò)誤反向傳播路徑如右圖虛線所示。中間輸出越來越小，因此，感受尺寸變的越來越大。最終網(wǎng)絡(luò)可以通過權(quán)重融合實(shí)現(xiàn)多尺度和多層次輸出。

2.2 CNN的訓(xùn)練

向前傳播階段，取樣本集的一個(gè)樣本S，將X輸入網(wǎng)絡(luò)計(jì)算相應(yīng)的預(yù)測(cè)輸出Op;向后傳播階段，計(jì)算實(shí)際輸出Op與相應(yīng)的理想輸出Yn的差，按極小誤差方法反向傳播進(jìn)行權(quán)矩陣的調(diào)整。CNN訓(xùn)練步驟：

1)由采集到的裂縫圖像和圖像對(duì)應(yīng)的ground truth圖像作為訓(xùn)練組輸入網(wǎng)絡(luò)。

2)設(shè)置網(wǎng)絡(luò)權(quán)重和偏置為接近于0的隨機(jī)值，并將精度控制的參數(shù)學(xué)習(xí)率α設(shè)置為0.001。

3)從訓(xùn)練數(shù)據(jù)中取1個(gè)樣本S加至網(wǎng)絡(luò)，再計(jì)算其目標(biāo)輸出向量d。

4)根據(jù)式(7)，計(jì)算中間層輸出向量y

(7)

式中Wjk為j層到k層網(wǎng)絡(luò)需要學(xué)習(xí)的權(quán)重；h為輸入到k層的特征圖；θ為偏置項(xiàng)。

5)根據(jù)式(8)，計(jì)算輸出向量與目標(biāo)向量在中間層輸出的誤差

(8)

式中αm為調(diào)節(jié)系數(shù)，用來控制每個(gè)獨(dú)立的中間層(即side-output1～side-output4)在融合層所占的權(quán)重；lside為中間層圖像(例如side-output1)的損失函數(shù)；W為所有標(biāo)準(zhǔn)的網(wǎng)絡(luò)層參數(shù)；每一層的權(quán)重表示為w=[w(l),…,w(M)]。

由于邊緣像素點(diǎn)和非邊緣像素點(diǎn)的分布差別大，故邊緣像素點(diǎn)和非邊緣像素點(diǎn)對(duì)邊緣檢測(cè)貢獻(xiàn)不同。因此,引入像素級(jí)的類平衡權(quán)重β保證正負(fù)樣本的損失平衡，最終預(yù)測(cè)的邊緣圖與ground truth之間的類平衡交叉熵?fù)p失函數(shù)如式(9)所示

(9)

6)根據(jù)式(10)計(jì)算輸出向量中各個(gè)中間層預(yù)測(cè)結(jié)果之和

(10)

式中h為對(duì)中間層進(jìn)行融合的權(quán)重，h=[h1,…,hM]。

7)根據(jù)式(11)計(jì)算最后融合層的輸出向量與目標(biāo)向量的輸出誤差

Lfuse(W,w,h)=Dist(Y,fuse)

(11)

式中Dist(·,·)為融合預(yù)測(cè)圖fuse與ground truth標(biāo)簽圖Y之間的距離，通過使用交叉熵?fù)p失函數(shù)計(jì)算損失值大小。

8)根據(jù)式(12)，利用標(biāo)準(zhǔn)(反向傳播)隨機(jī)梯度下降最小化目標(biāo)函數(shù)

L(W,w,h)*=argmin(Lside(S,Y,W,w)+

Lfuse(W,w,h))

(12)

式中Lside(S,Y,W,w)為每個(gè)中間層的損失；Lfuse(W,w,h)為最終的預(yù)測(cè)圖與ground truth標(biāo)簽圖的損失。

9)根據(jù)式(13)和式(14)不斷更新權(quán)值和偏置項(xiàng)，實(shí)現(xiàn)網(wǎng)絡(luò)模型的優(yōu)化

(13)

(14)

3 實(shí)驗(yàn)結(jié)果與分析

本文基于Caffe框架構(gòu)建裂縫圖像檢測(cè)網(wǎng)絡(luò)。實(shí)驗(yàn)環(huán)境為3.5 GHz主頻，32 G RAM的CPU,一塊NVIDIA Tesla K40 GPU，其板載12 GB GDDR5 384—bit顯存，顯存帶寬288 GB/s，顯存頻率6 GHz。數(shù)據(jù)集為3 000張大小為2 400像素×3 150像素的路面圖像。在訓(xùn)練網(wǎng)絡(luò)模型時(shí)，對(duì)輸入圖像0.8，1.2，1.5比例尺縮放，同時(shí)對(duì)圖像進(jìn)行0°，90°，270°三個(gè)角度的旋轉(zhuǎn)，訓(xùn)練集擴(kuò)大到為36 000張。對(duì)于裂縫檢測(cè)結(jié)果，使用精密召回(precision recall,PR)曲線對(duì)其進(jìn)行評(píng)估。

3.1 CNN參數(shù)

表1 網(wǎng)絡(luò)參數(shù)

3.2 不同裂縫檢測(cè)方法結(jié)果對(duì)比

本文方法與文獻(xiàn)[4]、文獻(xiàn)[9]路面裂縫檢測(cè)結(jié)果進(jìn)行比較。對(duì)于裂縫明顯的路面圖像，CNN的裂縫檢測(cè)結(jié)果明顯優(yōu)于傳統(tǒng)方法。為了進(jìn)一步驗(yàn)證本文方法檢測(cè)路面裂縫的優(yōu)勢(shì)，將對(duì)低對(duì)比度且分布復(fù)雜的路面圖像做裂縫檢測(cè)，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 不同方法裂縫檢測(cè)結(jié)果

圖3(a)～圖3(d)為4幅路面原圖像，圖3(a)裂縫細(xì)小復(fù)雜，圖3(b)～圖3(d)為雨后低對(duì)比度且裂縫分布復(fù)雜的路面圖像。圖3(e)～圖3(h)為原圖裂縫的ground truth，圖3(i)～圖3(l)為文獻(xiàn)[4]中Gabor濾波波長(zhǎng)為20，方差為4時(shí)裂縫檢測(cè)的結(jié)果。圖3(m)～圖3(p)為文獻(xiàn)[9]中Otsu閾值方法實(shí)現(xiàn)裂縫檢測(cè)。圖3(q)～圖3(t)為本文方法的檢測(cè)結(jié)果。由圖3可以看出：Gabor濾波檢測(cè)出的裂縫斷裂嚴(yán)重，整體檢測(cè)效果較差。Otsu閾值方法檢測(cè)出的裂縫邊緣有斷裂但整體較清晰。本文方法的檢測(cè)結(jié)果裂縫連接較好且清晰，能檢測(cè)出細(xì)小裂縫。

針對(duì)圖3中不同裂縫檢測(cè)方法，用PR曲線圖對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行驗(yàn)證，結(jié)果如圖4所示，CNN對(duì)裂縫檢測(cè)的整體質(zhì)量指標(biāo)值均高于其他4種方法，檢測(cè)效果最佳。其中，F(xiàn)m為準(zhǔn)確率和召回率的加權(quán)調(diào)和平均，即

圖4 PR曲線

4 結(jié) 論

對(duì)采集的原始公路裂縫圖像，利用CNN能夠較好地提取裂縫并且裂縫邊緣保持了很好的連接性，為后續(xù)對(duì)裂縫進(jìn)行分析,如裂縫類型劃分和裂縫嚴(yán)重程度的計(jì)算提供了很好的檢測(cè)方法。由于路面圖像情況復(fù)雜，如易受到車道線，陰井蓋等雜物的影響，在未來的研究中，將在去除雜物對(duì)裂縫檢測(cè)的影響進(jìn)行研究，以提高路面裂縫檢測(cè)的精度以及實(shí)用性。

[1] 唐 磊,趙春霞,王鴻南,等.路面圖像增強(qiáng)的多偏微分方程融合法[J].中國(guó)圖象圖形學(xué)報(bào),2008,13(9):1661-1666.

[2] 王興建，秦國(guó)鋒，趙慧麗.基于多級(jí)去噪模型的路面裂縫檢測(cè)方法[J].計(jì)算機(jī)應(yīng)用,2010,30(6):1606-1609.

[3] Huang Yuchun,Tsai Yichang.Enhanced pavement distress segmentation algorithm using dynamic programming and connected component analysis[J].Transportation Research Record Journal of the Transportation Research Board,2011,2225:89-98.

[4] Salman Muhammad,Mathavan Senthan,Kamal K,et al.Pavement crack detection using the gabor filter[C]∥International IEEE Conference on Intelligent Transportation Systems,2013：2039-2044.

[5] Zhang Lei,Yang Fan,Zhang Yimin D.Road crack detection using deep convolutional neural network[C]∥IEEE International Conference on Image Processing,2016.

[6] Zhang Dejin,Li Qingquan,Chen Ying,et al.An efficient and reliable coarse-to-fine approach for asphalt pavement crack detec-tion[J].Image and Vision Computing,2016,5(8):130-146.

[7] Xie Saining,Tu Zhuowen.Holistically-nested edge detection[C]∥Proceedings of the IEEE International Conference on Computer Vision,2015:1395-1403.

[8] Simonyan Karen,Zisserman Andrew.Very deep convolutional networks for large-scale image recognition[C]∥Computer Science,2015:19-29.

[9] 郭全民,張海先.基于圖像處理技術(shù)的混凝土路面裂縫檢測(cè)方法[J].傳感器與微系統(tǒng),2013,32(4):61-64.

RoadsurfacecrackdetectionbasedonCNN*

ZHAO Shan-shan1, HE Ning2

(1.BeijingKeyLaboratoryofInformationServicesEngineering,BeijingUnionUniversity，Beijing100101,China;2CollegeofIntellectualizedCity,BeijingUnionUniversity,Beijing100101,China)

Road surface crack detection method based on convolutional neural network(CNN)is proposed.Intensity normalization preprocessing on road surface image according to pre-labeled result,which can reduce the influence caused by the un-illumination background and the white pixel.The CNN is used to realize the crack detection.Use different scales and angles of road image for model training to improve the ability to detect small and scattered road crack.The experimental result shows that this method is effective.

image processing; highway crack; convolutional neural network(CNN); detection

10.13873/J.1000—9787(2017)11—0135—04

TP 391

A

1000—9787(2017)11—0135—04

2017—09—08

國(guó)家自然科學(xué)基金資助項(xiàng)目(61370138, 61572077, U1301251)

趙珊珊(1990-)，女，碩士研究生，主要研究方向?yàn)閿?shù)字圖像處理。

何 寧(1970-)，女，通訊作者，博士，教授，主要從事數(shù)字圖像處理、計(jì)算機(jī)圖像學(xué)相關(guān)研究工作,E—mail:xxthening@buu.edu.cn。