深度學(xué)習(xí)技術(shù)在市政橋梁監(jiān)測中的應(yīng)用

馮星星

（西安市市政設(shè)施管理中心橋梁監(jiān)測中心 陜西省西安市 710016）

1 前言

隨著經(jīng)濟(jì)的迅速發(fā)展和城市化進(jìn)程的加快，城市橋梁作為重要的交通基礎(chǔ)設(shè)施，其安全抗害能力日益受到嚴(yán)峻考驗(yàn)。為提高橋梁承載能力，延長橋梁服役時(shí)間，我中心對市政轄區(qū)內(nèi)的橋梁設(shè)施加大了經(jīng)濟(jì)、技術(shù)和管理方面的投入。市政橋梁監(jiān)測工作始終貫徹“實(shí)體檢測為主，信息技術(shù)為輔，融合發(fā)展”的方針，堅(jiān)持“精心監(jiān)測，有效防控，管理到位”的指導(dǎo)思想，建立日常巡查、定期檢測、實(shí)時(shí)評估相結(jié)合的運(yùn)營機(jī)制，為科學(xué)管理提供技術(shù)支持，同時(shí)建立統(tǒng)一領(lǐng)導(dǎo)、分工協(xié)作、快速應(yīng)對的應(yīng)急處置機(jī)制，將安全隱患危害降到最低，從而確保轄區(qū)橋梁的安全運(yùn)營和暢通。

2 深度學(xué)習(xí)概述

隨著以人工智能等為代表的新一代信息技術(shù)的發(fā)展，數(shù)字經(jīng)濟(jì)正成為推動我國經(jīng)濟(jì)發(fā)展的重要引擎。在這個發(fā)展速度驚人的經(jīng)濟(jì)背后，深度學(xué)習(xí)技術(shù)發(fā)揮著重要的作用。人工神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域重要的發(fā)展方向，而深度學(xué)習(xí)技術(shù)是人工神經(jīng)網(wǎng)絡(luò)的深化與拓展。深度學(xué)習(xí)是加深了層的深度神經(jīng)網(wǎng)絡(luò)。與神經(jīng)網(wǎng)絡(luò)相比，深度學(xué)習(xí)具有兩點(diǎn)特征：其一，更少的網(wǎng)絡(luò)參數(shù)數(shù)量，加深了層的網(wǎng)絡(luò)可以用更少的參數(shù)達(dá)到同等水平（或更強(qiáng)）的表現(xiàn)力；其二，學(xué)習(xí)更加高效，通過加深層，可以將各層要學(xué)習(xí)的問題分解成容易解決的簡單問題，從而進(jìn)行高效的學(xué)習(xí)。

基于深度學(xué)習(xí)的市政橋梁監(jiān)測業(yè)務(wù)應(yīng)用系統(tǒng)模型包括有依賴關(guān)系的四層功能層和對系統(tǒng)建設(shè)有約束關(guān)系的三個支撐模塊，如圖1所示。

功能層包括：數(shù)據(jù)采集層、網(wǎng)絡(luò)通信層、深度學(xué)習(xí)技術(shù)支撐層和應(yīng)用層。其中數(shù)據(jù)采集層主要是各類數(shù)據(jù)采集模塊，采集現(xiàn)場各類基礎(chǔ)信息；網(wǎng)絡(luò)通信層通過互聯(lián)網(wǎng)、光纖骨干傳輸網(wǎng)、4G 接入網(wǎng)、Wi-Fi 等將采集到的數(shù)據(jù)與信息傳回到技術(shù)支撐層；深度學(xué)習(xí)技術(shù)支撐層主要是通過對基礎(chǔ)數(shù)據(jù)以及歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)和推斷，提供應(yīng)用所需的各種服務(wù)和共享資源；應(yīng)用層為市政橋梁監(jiān)測人員提供應(yīng)用和服務(wù)，輔助管理者進(jìn)行養(yǎng)護(hù)規(guī)劃和決策，提高基層作業(yè)人員完成各項(xiàng)檢測業(yè)務(wù)的效率。

支撐模塊包括：運(yùn)行維護(hù)模塊、信息安全模塊和規(guī)范標(biāo)準(zhǔn)模塊。運(yùn)行維護(hù)模塊為監(jiān)測業(yè)務(wù)應(yīng)用系統(tǒng)建設(shè)提供整體運(yùn)維管理，確保系統(tǒng)安全、平穩(wěn)地運(yùn)行，及時(shí)定位和排除硬軟件故障，保證監(jiān)測業(yè)務(wù)順利開展。信息安全模塊主為系統(tǒng)構(gòu)建統(tǒng)一的安全環(huán)境，設(shè)置身份認(rèn)證，實(shí)行權(quán)限管理，嚴(yán)格控制對信息資源的訪問，同時(shí)通過安全審計(jì)跟蹤用戶操作并記錄日志。規(guī)范標(biāo)準(zhǔn)模塊主要為市政橋梁監(jiān)測業(yè)務(wù)應(yīng)用系統(tǒng)建設(shè)提供統(tǒng)一技術(shù)標(biāo)準(zhǔn)和養(yǎng)護(hù)規(guī)范，便于共享、互聯(lián)操作和擴(kuò)展。

3 深度學(xué)習(xí)技術(shù)支撐層

圖1

深度神經(jīng)網(wǎng)絡(luò)包括信號輸入層、隱藏層和輸出層。每一層隱藏層都由加權(quán)信號與偏置的和Affine 函數(shù)、激活函數(shù)組成。輸出層則由Affine 函數(shù)、輸出函數(shù)和交叉熵誤差損失函數(shù)組成。輸入層的輸入數(shù)據(jù)分為三類，一是訓(xùn)練數(shù)據(jù)，用于學(xué)習(xí)；二是驗(yàn)證數(shù)據(jù)，用于超參數(shù)性能的評估；三是測試數(shù)據(jù)，用于評價(jià)模型進(jìn)行學(xué)習(xí)的泛化能力，三種數(shù)據(jù)分別對應(yīng)正確解標(biāo)簽。深度學(xué)習(xí)以損失函數(shù)為指標(biāo)、梯度為線索尋找最優(yōu)權(quán)重參數(shù)，這一尋找過程通過更新權(quán)重參數(shù)、減小損失函數(shù)的值實(shí)現(xiàn)，因此深度學(xué)習(xí)的實(shí)質(zhì)是通過優(yōu)化權(quán)重參數(shù)，使網(wǎng)絡(luò)輸出接近測試數(shù)據(jù)的正確解，不斷縮小損失函數(shù)值的過程。

在這一過程中依次用到的關(guān)鍵技術(shù)包括：給權(quán)重參數(shù)賦Xavier初值、誤差反向傳播求梯度，Adam 更新權(quán)重參數(shù)，Dropout 抑制過擬合化，以及超參數(shù)的搜索取值等，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)的時(shí)間軸如圖2 所示。

3.1 數(shù)據(jù)預(yù)處理與正規(guī)化

數(shù)據(jù)預(yù)處理是指將基礎(chǔ)數(shù)據(jù)的原值范圍整體偏移到范圍[0.01,1.0]所進(jìn)行的縮放和移位轉(zhuǎn)換，而將基礎(chǔ)數(shù)據(jù)限定到某個范圍內(nèi)的過程稱為正規(guī)化。通過對基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)處理完成正規(guī)化，從而獲得輸入層的輸入數(shù)據(jù)。

3.2 確定隱藏層數(shù)與神經(jīng)元個數(shù)

通過實(shí)驗(yàn)試錯找出能使深度神經(jīng)網(wǎng)絡(luò)識別精度達(dá)到最高的隱藏層數(shù)及每層的神經(jīng)元數(shù)，為排除隨機(jī)過程的影響，同時(shí)避免因運(yùn)行錯誤而導(dǎo)致的網(wǎng)絡(luò)在梯度下降過程中卡在一個局部最小值中，須進(jìn)行多次實(shí)驗(yàn)。如果隱藏層數(shù)少或神經(jīng)元數(shù)量太小，會限制神經(jīng)網(wǎng)絡(luò)的識別能力。隨著層數(shù)和神經(jīng)元個數(shù)的增加，識別精度獲得提升的同時(shí)，計(jì)算速度變慢，一次實(shí)驗(yàn)的時(shí)間隨之延長。增加一層隱藏層神經(jīng)元意味著新增加到前后層每個神經(jīng)元的鏈接，由此產(chǎn)生的額外計(jì)算使訓(xùn)練網(wǎng)絡(luò)所用的時(shí)間顯著增加，而識別精度僅得到微弱提升。因此，通過同時(shí)考慮識別精度與耗時(shí)的比值，確定最佳的隱藏層數(shù)與神經(jīng)元個數(shù)。

圖2

3.3 設(shè)定權(quán)重參數(shù)初始值

權(quán)重參數(shù)初始值的設(shè)定關(guān)系到深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能否成功。為權(quán)重參數(shù)賦Xavier 初始值，能使各隱藏層激活函數(shù)值的分布具備適當(dāng)廣度，并且使損失函數(shù)值隨著訓(xùn)練迭代明顯減小，從而進(jìn)行高效的學(xué)習(xí)。

3.4 激活函數(shù)、損失函數(shù)及其改良

隱藏層激活函數(shù)使用非線性函數(shù)，輸出層函數(shù)使用分類函數(shù)，損失函數(shù)使用交叉熵誤差。損失函數(shù)是表示深度神經(jīng)網(wǎng)絡(luò)分類性能“惡劣程度”的指標(biāo)，即當(dāng)前網(wǎng)絡(luò)對測試數(shù)據(jù)在多大程度上不擬合。使性能的惡劣程度達(dá)到最小和使性能的優(yōu)良程度達(dá)到最大是等價(jià)的。損失函數(shù)是以權(quán)重參數(shù)為變量的函數(shù)，因此能使損失函數(shù)達(dá)到最小值的權(quán)重參數(shù)即是最優(yōu)參數(shù)。

批處理是指將所有訓(xùn)練數(shù)據(jù)隨機(jī)打亂分批處理，把求單個輸入數(shù)據(jù)的損失函數(shù)改良為求批數(shù)據(jù)的平均損失函數(shù)，使一批數(shù)據(jù)的平均損失函數(shù)與單個數(shù)據(jù)的損失函數(shù)等效，因此，分批處理訓(xùn)練數(shù)據(jù)能夠減輕數(shù)據(jù)傳輸遇到瓶頸時(shí)總線的負(fù)荷，實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)的高速運(yùn)算。

3.5 誤差反向傳播求梯度

損失函數(shù)是關(guān)于權(quán)重參數(shù)的函數(shù)，對全部目標(biāo)參數(shù)求數(shù)值微分，其值排列而成的向量稱為權(quán)重參數(shù)的梯度。有兩種方法可以求梯度，一種是誤差反向傳播求梯度，從最終的輸出結(jié)果交叉熵誤差開始反向傳播，經(jīng)過每一層隱藏層的激活函數(shù)及Affine 函數(shù)，最后求得每個權(quán)重參數(shù)的梯度。誤差反向傳播求梯度，高效但復(fù)雜，容易出錯，因此需要數(shù)值微分求得的梯度值進(jìn)行驗(yàn)證。如果兩種方法求出的梯度絕對差值非常小，則證明誤差反向傳播法求出的梯度是正確的。

3.6 利用Adam更新權(quán)重參數(shù)

隨機(jī)梯度下降法SGD 是早期更新權(quán)重參數(shù)的方法，相當(dāng)?shù)托?，主要原因在于梯度的方向并沒有指向損失函數(shù)最小值的方向。Momentum 和AdaGrad 兩種方法都從一定程度上改正了SGD 的缺點(diǎn)。Adam 方法融合了Momentum 和AdaGrad 的優(yōu)點(diǎn)，對學(xué)習(xí)率等超參數(shù)進(jìn)行了“偏置校正”，使權(quán)重參數(shù)的更新路徑呈延伸狀，因此Adam 方法搜索最優(yōu)權(quán)重參數(shù)的效率更高，能在大多數(shù)情況下實(shí)現(xiàn)參數(shù)空間的高效搜索。

3.7 利用Dropout方法抑制過擬合化

過擬合化是指只能擬合訓(xùn)練數(shù)據(jù)，但不能很好擬合除訓(xùn)練數(shù)據(jù)外的其他數(shù)據(jù)的狀態(tài)。過擬合化發(fā)生的主要原因有兩個：一是有大量的權(quán)重參數(shù)，二是訓(xùn)練數(shù)據(jù)不足。為提高深度神經(jīng)網(wǎng)絡(luò)識別分類的泛化能力，采用Dropout 方法抑制過擬合化現(xiàn)象，即通過設(shè)置刪除比，隨機(jī)的使部分隱藏層神經(jīng)元不再參與信號的傳遞。使用Dropout 方法能有效減小訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)識別精度的差距。

3.8 驗(yàn)證超參數(shù)

超參數(shù)是指深度神經(jīng)網(wǎng)絡(luò)除權(quán)重參數(shù)外設(shè)置的參數(shù)，例如每批輸入數(shù)據(jù)中所含數(shù)據(jù)的個數(shù)、學(xué)習(xí)率以及世代數(shù)等。超參數(shù)設(shè)置的值合適與否直接影響深度神經(jīng)網(wǎng)絡(luò)的識別分類性能。在10-6 到10-2 的范圍內(nèi)對學(xué)習(xí)率進(jìn)行隨機(jī)采樣，通過不斷縮小采樣范圍的實(shí)驗(yàn)獲得學(xué)習(xí)率和世代數(shù)的最佳組合。

3.9 小結(jié)

本節(jié)闡述了深度學(xué)習(xí)技術(shù)支撐層運(yùn)行基本原理、步驟與關(guān)鍵技術(shù)。對基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)處理和正規(guī)化，通過實(shí)驗(yàn)試錯確定隱藏層層數(shù)和每層神經(jīng)元數(shù)，構(gòu)建加權(quán)信號與偏置和Affine 函數(shù)、激活函數(shù)、損失函數(shù)，并通過批處理對交叉熵誤差函數(shù)進(jìn)行改良，使用誤差反向傳播求梯度，對權(quán)重參數(shù)賦Xavier 初值，并通過Adam 更新權(quán)重參數(shù)，利用Dropout 抑制過擬合化，加強(qiáng)泛化，實(shí)驗(yàn)獲取最佳學(xué)習(xí)率和世代數(shù)等超參數(shù)。

4 深度學(xué)習(xí)技術(shù)的應(yīng)用場景

市政橋梁監(jiān)測工作的重要性，使得深度學(xué)習(xí)技術(shù)的使用迫在眉睫。深度神經(jīng)網(wǎng)絡(luò)將歷史數(shù)據(jù)或前端采集的基礎(chǔ)數(shù)據(jù)進(jìn)行分析、處理，經(jīng)服務(wù)器應(yīng)用轉(zhuǎn)化并響應(yīng)手機(jī)APP 需求的方式，使城市橋梁狀況等級推斷、大體積混凝土裂縫預(yù)警、橋梁交通量預(yù)測與分流提示、立交橋支座早期疲勞破壞診斷得以實(shí)現(xiàn)，并減少了大量的人力，使得市政橋梁監(jiān)測更加有效、科學(xué)、便捷。

4.1 城市橋梁狀況等級推斷

隨著城市交通的發(fā)展，城市橋梁的交通承載能力日益提高，對橋梁設(shè)施的管理提出了更高的要求，其中病害防范流程和手段進(jìn)一步改善，在上級相關(guān)部門的正確決策和支持下，為充分發(fā)揮海量橋梁狀況等級數(shù)據(jù)的價(jià)值，不斷加大橋梁養(yǎng)護(hù)力度，提高養(yǎng)護(hù)水平，開發(fā)了城市橋梁狀況等級推斷系統(tǒng)。該系統(tǒng)對歷年橋梁狀況整體評價(jià)值BCI 和部件評價(jià)值BSI 進(jìn)行深度學(xué)習(xí)，并將訓(xùn)練好的最佳權(quán)重參數(shù)保存在服務(wù)器的CSV 文件中。當(dāng)市政橋梁監(jiān)測人員通過手機(jī)APP 發(fā)回現(xiàn)場橋梁關(guān)鍵部位狀況信息時(shí)，服務(wù)器調(diào)用CSV 文件，實(shí)時(shí)推斷出橋梁狀況等級，并結(jié)合橋梁養(yǎng)護(hù)規(guī)范給出分級養(yǎng)護(hù)建議，供市政橋梁養(yǎng)護(hù)部門參考。

4.2 城市橋梁大體積混凝土裂縫預(yù)警

針對城市橋梁大體積混凝土由于溫度變化、不均勻沉降等，造成的有害裂縫危害車輛正常通行情況，引起市政橋梁監(jiān)測中心的重點(diǎn)關(guān)注。另外，因目前監(jiān)測中心對于橋梁裂縫的識別處理，基本靠巡視員人工管理，加上橋梁數(shù)量眾多且地理位置分散，只依靠人工排查再維修的事后管理模式，無法發(fā)揮風(fēng)險(xiǎn)識別、事前防范的優(yōu)勢。因此，為實(shí)現(xiàn)橋梁有害裂縫早發(fā)現(xiàn)早預(yù)防進(jìn)行信息化管理，建設(shè)了城市橋梁大體積混凝土裂縫預(yù)警系統(tǒng)。該系統(tǒng)在轄區(qū)橋梁有害裂縫高發(fā)部位設(shè)置了高靈敏度的測溫探頭，同時(shí)安裝了具有高精度的分布式光纖傳感器，實(shí)時(shí)采集上述部位不均勻沉降數(shù)據(jù)，然后連同溫差等基礎(chǔ)數(shù)據(jù)通過無線傳輸網(wǎng)絡(luò)傳回至監(jiān)控服務(wù)器。后臺程序通過深度學(xué)習(xí)推斷出有害裂縫類型及其出現(xiàn)的可能性，并對危害程度超過閥值的裂縫進(jìn)行實(shí)時(shí)預(yù)警。最終，市政橋梁監(jiān)測人員通過手機(jī)APP 獲取預(yù)警信息，對橋梁大體積混凝土可能發(fā)生有害裂縫的部位進(jìn)行維護(hù)預(yù)防，實(shí)現(xiàn)實(shí)時(shí)預(yù)警管理。

4.3 城市橋梁交通量預(yù)測與分流提示

隨著城市橋梁對交通量的分流作用日益提升，交通高峰期城市主要橋梁狀況變化情況是市政養(yǎng)護(hù)維修決策的關(guān)鍵性依據(jù)，為給橋梁應(yīng)急搶險(xiǎn)提供科學(xué)依據(jù)，以及為圍擋搶修提供合理時(shí)機(jī)，建設(shè)了城市橋梁交通量預(yù)測與分流提示系統(tǒng)。該系統(tǒng)利用激光雷達(dá)對每座橋梁及與其相聯(lián)通道路的車流量進(jìn)行采集，將車流量數(shù)據(jù)通過無線傳輸網(wǎng)絡(luò)回傳至服務(wù)器后臺程序進(jìn)行深度學(xué)習(xí)。實(shí)現(xiàn)城市橋梁病害高發(fā)區(qū)交通量的實(shí)時(shí)監(jiān)測，并對因交通量引發(fā)的橋梁病害進(jìn)行實(shí)時(shí)推斷，為橋梁養(yǎng)護(hù)管理提供科學(xué)性、前瞻性依據(jù)，同時(shí)為交通導(dǎo)行提供車輛分流信息。

4.4 城市立交橋支座早期疲勞破壞診斷

隨著城市立交橋車流量增加，移動車輛荷載對橋梁結(jié)構(gòu)可靠性的影響持續(xù)增強(qiáng)，加強(qiáng)對支座情況的監(jiān)測、提高支座監(jiān)管水平已成為市政立交橋管理的難點(diǎn)。在日常立交橋巡視中，一般通過肉眼觀察、人工測量、儀器檢測以及經(jīng)驗(yàn)估算等傳統(tǒng)方法判斷支座狀態(tài)，對支座疲勞認(rèn)識研究不足，當(dāng)支座出現(xiàn)早期疲勞破壞時(shí)更無法提供有效證據(jù)。立交橋支座是連接橋跨結(jié)構(gòu)和下部結(jié)構(gòu)的重要結(jié)構(gòu)部件，為更好的對立交橋支座進(jìn)行市政監(jiān)測管理，建設(shè)了城市立交橋支座早期疲勞破壞診斷系統(tǒng)。該系統(tǒng)借助載重傳感技術(shù)、位移波形監(jiān)測技術(shù)、智能交通車流量記錄技術(shù)、無線傳輸技術(shù)等為深度學(xué)習(xí)立交橋支座疲勞破壞提供樣本數(shù)據(jù)，建立支座狀態(tài)與疲勞破壞的相關(guān)關(guān)系能夠及時(shí)診斷支座早期疲勞破壞原因并警示病害，為市政橋梁養(yǎng)護(hù)提供參考。

5 結(jié)語

深度學(xué)習(xí)在信息技術(shù)視角下，通過數(shù)據(jù)和服務(wù)的融合，支撐承載信息化的相關(guān)應(yīng)用，成為加速智慧城市建設(shè)的重要推動力之一。雖然深度學(xué)習(xí)技術(shù)的應(yīng)用領(lǐng)域還為數(shù)不多，但在市政橋梁監(jiān)測工作中已經(jīng)有了一定的應(yīng)用場景，利用深度學(xué)習(xí)技術(shù)已相繼實(shí)現(xiàn)了城市橋梁狀況等級推斷、橋梁大體積混凝土裂縫預(yù)警、橋梁交通量預(yù)測與分流提示及立交橋支座早期疲勞破壞診斷等，節(jié)省人力的同時(shí)科學(xué)合理的增強(qiáng)了市政橋梁監(jiān)測工作中病害識別及風(fēng)險(xiǎn)應(yīng)對能力。