基于機(jī)器學(xué)習(xí)的RC橋梁病害檢測方法

楊建華，鄒俊志

(1.中交基礎(chǔ)設(shè)施養(yǎng)護(hù)集團(tuán)寧夏工程有限公司 銀川市 750000； 2.重慶交通大學(xué) 土木工程學(xué)院 重慶市 400074)

0 引言

伴隨著橋梁的長期服役，混凝土材料的逐漸老化，在役橋梁會不可避免地產(chǎn)生開裂、蜂窩、麻面、露筋銹蝕等病害[1]，對橋梁的安全性和耐久性是極大考驗。針對這類帶病服役的橋梁，如何快速而有效地檢測出橋梁病害成為橋梁運營維護(hù)的關(guān)鍵。傳統(tǒng)的人工判別病害由于工作量大、主觀性強(qiáng)、效率低等缺點，逐漸不能適應(yīng)人們的需求。

隨著計算機(jī)技術(shù)的不斷發(fā)展，機(jī)器學(xué)習(xí)以其智能化、高效率、低成本的特點[2]，逐漸應(yīng)用于橋梁病害檢測領(lǐng)域。針對橋梁檢測獲得的大量病害圖像，從圖像中自動定位并識別病害來代替?zhèn)鹘y(tǒng)的人工判別，實現(xiàn)更有效的橋梁運營期管理，是目前研究發(fā)展的主要方向。從現(xiàn)有橋梁病害檢測方法、常用的機(jī)器學(xué)習(xí)方法及其在橋梁病害檢測中的應(yīng)用進(jìn)展三個方面進(jìn)行綜述，最后分析了目前橋梁病害檢測所面臨的挑戰(zhàn)及發(fā)展。

1 現(xiàn)有RC橋梁病害檢測方法

我國在役橋梁大部分為鋼筋混凝土(Reinforced Concrete，RC)橋梁，而其缺陷類型較多，主要包括裂縫、剝落、蜂窩麻面、漏筋銹蝕、空洞等病害[3]。這些病害中既存在特征明顯，易判別的空洞等病害；也存在寬度較小，易忽略的裂縫等病害。傳統(tǒng)的人工判別病害，雖然簡單且靈活，但受限于工作量大、效率低等缺點，檢測中錯檢及漏檢狀況頻出。且隨著橋梁體量的不斷增長，待檢橋梁數(shù)量的與日俱增，缺點更將進(jìn)一步放大。而以聲發(fā)射、超聲脈沖、紅外熱像為代表的無損檢測技術(shù)[4]，雖能夠探測出橋梁內(nèi)部病害，但在自動化場景中應(yīng)用有限，且現(xiàn)有工程中仍處于定性識別病害階段，達(dá)不到對病害的定量分析。

為解決傳統(tǒng)檢測方法的局限性，近年來無人機(jī)在土木工程外觀評估方向迅速發(fā)展。通過無人機(jī)搭載高清相機(jī)對橋梁進(jìn)行結(jié)構(gòu)外觀檢查，獲取結(jié)構(gòu)缺陷圖像，結(jié)合圖像處理與機(jī)器學(xué)習(xí)技術(shù)進(jìn)行病害檢測，已成為領(lǐng)域研究熱點。

2 機(jī)器學(xué)習(xí)方法

2.1 機(jī)器學(xué)習(xí)理論

機(jī)器學(xué)習(xí)，指通過算法發(fā)現(xiàn)大量樣本數(shù)據(jù)中的隱含規(guī)律，建立網(wǎng)絡(luò)模型對數(shù)據(jù)作分類或預(yù)測[5]。機(jī)器學(xué)習(xí)按照樣本數(shù)據(jù)是否存在人工標(biāo)注，分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)?，F(xiàn)有研究中，機(jī)器學(xué)習(xí)方法應(yīng)用在橋梁病害檢測領(lǐng)域，以有監(jiān)督學(xué)習(xí)為主。

2.2 有監(jiān)督學(xué)習(xí)算法

(1)BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成，結(jié)構(gòu)如圖1所示。BP神經(jīng)網(wǎng)絡(luò)包括前向傳播和誤差后向傳播兩個階段。算法通過計算網(wǎng)絡(luò)輸出值同期望的差值，不斷更新網(wǎng)絡(luò)權(quán)重和偏置參數(shù)，直到最后滿足誤差要求[6]。盡管BP算法具有較好的非線性映射能力，但由于其收斂速度慢和易陷入局部極小值的缺點，每次訓(xùn)練結(jié)果可能都有所差異。

(2)支持向量機(jī)

支持向量機(jī)(SVM)是一種二值分類模型，其決策思路是找到一個能夠正確劃分?jǐn)?shù)據(jù)集且?guī)缀伍g隔最大的超平面[7]。如圖2所示，w·x+b=0即分離超平面。距離超平面最近的點，即虛線穿過的樣本被稱為支持向量，其間距為兩倍到超平面的距離。SVM具有較好的魯棒性和泛化能力，但不適用于大規(guī)模數(shù)據(jù)集，在多分類問題中效果較差。

(3)卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是由Lecun[8]提出的一種深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。由于CNN采取了權(quán)值共享、局部連接的方式，降低了模型的復(fù)雜度，解決了數(shù)據(jù)量過大時傳統(tǒng)神經(jīng)網(wǎng)絡(luò)無法學(xué)習(xí)的問題，目前已廣泛應(yīng)用于圖像識別領(lǐng)域中。

(4)Faster R-CNN目標(biāo)檢測算法

Faster R-CNN是由Girshick[10]等提出的一種基于候選區(qū)域的目標(biāo)檢測算法。Faster R-CNN目標(biāo)檢測算法分為兩步，首先使用區(qū)域候選網(wǎng)絡(luò)(RPN)來定位目標(biāo)，再針對目標(biāo)進(jìn)行位置的預(yù)測和分類。由于Faster R-CNN采用了候選框加檢測框的步驟，在目標(biāo)檢測中常取得較高的分類正確率。

(5)YOLO v3目標(biāo)檢測算法

YOLO v3是Redmon[11]等提出的一種基于回歸的目標(biāo)檢測算法。相比Faster R-CNN算法,YOLO算法更加迅速，它直接預(yù)測目標(biāo)邊界框所處位置，識別目標(biāo)的細(xì)節(jié)特征進(jìn)行目標(biāo)檢測。YOLO v3采用了Darknet-53(53個卷積層)的網(wǎng)絡(luò)結(jié)構(gòu)，對圖片進(jìn)行了總共5次下采樣，最終生成3個不同尺度的目標(biāo)特征圖，以針對不同尺度大小目標(biāo)的檢測。

3 基于機(jī)器學(xué)習(xí)的病害檢測應(yīng)用

鋼筋混凝土橋梁病害檢測，本質(zhì)上是基于計算機(jī)視覺的目標(biāo)檢測問題。目前基于機(jī)器學(xué)習(xí)的病害檢測方法主要分為兩類，一類是通過手工提取圖像特征，結(jié)合機(jī)器學(xué)習(xí)算法進(jìn)行分類和預(yù)測。另一類則是利用深度學(xué)習(xí)算法，自動提取圖像特征，輸出目標(biāo)病害位置及類別。

3.1 手工提取圖像特征結(jié)合機(jī)器學(xué)習(xí)

這類方法主要通過手工提取圖像特征，如裂縫形態(tài)、梯度直方圖(HOG)特征等，結(jié)合BP、SVM等淺層神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測或分類。鐘新谷[12]等人以八旋翼無人機(jī)為平臺，對某大橋進(jìn)行實橋成像試驗，提取出橋梁裂縫形態(tài)特征圖，結(jié)合支持向量機(jī)進(jìn)行裂縫識別，用235個訓(xùn)練樣本為驗證，分類正確率為94%。證實了無人機(jī)成像的橋梁裂縫形狀和寬度具有可靠性。但該類方法需要人為提取圖像特征，且淺層神經(jīng)網(wǎng)絡(luò)只能處理少量樣本，在環(huán)境復(fù)雜且病害樣本量巨大的橋梁病害檢測中應(yīng)用有限。

3.2 基于深度學(xué)習(xí)的病害檢測方法

隨著深度學(xué)習(xí)的不斷發(fā)展，以CNN為代表的深層神經(jīng)網(wǎng)絡(luò)能夠自動提取圖像特征，處理大量圖像數(shù)據(jù)的同時保證了較高的分類正確率，促進(jìn)了基于深度學(xué)習(xí)的病害檢測技術(shù)的發(fā)展。沙愛民[13]等人將CNN引入路面病害識別，對12800張512×512像素圖像進(jìn)行裂縫、坑槽特征提取，分別取得了98.99%、95.32%的病害判別準(zhǔn)確率，證明了卷積神經(jīng)網(wǎng)絡(luò)精度足以滿足裂縫、坑槽等病害的復(fù)雜形態(tài)特性。但在橋梁病害檢測中，我們顯然更關(guān)心病害所處位置及其類別。

以Faster R-CNN、YOLO v3等基于CNN的目標(biāo)檢測算法，不僅能夠輸出目標(biāo)病害類別，同時可以預(yù)測目標(biāo)病害所處位置，進(jìn)一步推動了橋梁病害檢測智能化的發(fā)展。Cha[14]等人使用Faster R-CNN算法，對2366張多種損傷類型圖像進(jìn)行識別和定位，包括混凝土裂縫和不同程度的螺栓、鋼板腐蝕等5種損傷類型，取得了87.8%的平均分類準(zhǔn)確率。Zhang[15]等人基于YOLO v3算法，對2206張混凝土橋梁病害檢測圖像進(jìn)行病害識別和定位，結(jié)合遷移學(xué)習(xí)策略以改善訓(xùn)練樣本不足的問題，成功實現(xiàn)了裂縫、露筋、剝落、保護(hù)層脫落4種病害的識別以及定位，其平均分類準(zhǔn)確率達(dá)80%。

4 結(jié)論

基于深度學(xué)習(xí)的橋梁病害檢測方法，無疑更適用于橋梁自動化檢測場景，有利于推動橋梁檢測實現(xiàn)更智能的運營期管理。但現(xiàn)有研究中，仍面臨著許多難題有待解決：

(1)深度學(xué)習(xí)對訓(xùn)練樣本數(shù)量要求較高，實際訓(xùn)練過程中有標(biāo)簽病害圖像數(shù)量有限。

(2)RC橋梁病害中，存在裂縫等寬度較小病害，在圖像中目標(biāo)過小，識別難度較大，這也是現(xiàn)有研究中多病害分類正確率不高的原因。