基于級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的隧道襯砌裂縫識(shí)別算法研究

劉新根，陳瑩瑩，王雨萱，劉樹(shù)亞

(1.上海同巖土木工程科技股份有限公司， 上海 200092；2.上海地下基礎(chǔ)設(shè)施安全檢測(cè)與養(yǎng)護(hù)裝備工程技術(shù)研究中心， 上海 200092；3.深圳市地鐵集團(tuán)有限公司，廣東 深圳 518026)

裂縫是一種最主要的隧道襯砌病害類型[1]，根據(jù)交通運(yùn)輸部數(shù)據(jù)統(tǒng)計(jì)，截至2019年底，全國(guó)公路隧道19 067座、18 967 km，鐵路隧道16 084座、18 041 km。為確保隧道安全運(yùn)營(yíng)，每條隧道都需定期檢修、維護(hù)，且隨著隧道運(yùn)營(yíng)數(shù)量和里程的快速增長(zhǎng)，檢測(cè)任務(wù)日漸繁重，但人工檢測(cè)效率和準(zhǔn)確率低、人員專業(yè)性要求較高。為提高隧道檢測(cè)效率，圖像檢測(cè)技術(shù)得到廣泛應(yīng)用，其中裂縫的準(zhǔn)確高效識(shí)別是該技術(shù)有效實(shí)施的關(guān)鍵。

許多學(xué)者針對(duì)這一需求，在裂縫自動(dòng)識(shí)別領(lǐng)域進(jìn)行了大量研究。文獻(xiàn)[2]針對(duì)地鐵隧道提出連通域分析獲取裂縫區(qū)域；文獻(xiàn)[3]基于模板、Hough變換以及支持向量機(jī)(SVM)的近似裂縫結(jié)構(gòu)分析法，通過(guò)裂縫特征獲取隧道襯砌裂縫；文獻(xiàn)[4]提出基于裂縫幾何特征、區(qū)域塊狀特征的裂縫自動(dòng)分類算法，實(shí)現(xiàn)裂縫類別的自動(dòng)區(qū)分。但隧道裂縫識(shí)別中存在裂縫特征不明顯、隧道內(nèi)干擾物過(guò)多、圖像采集不清晰等問(wèn)題，傳統(tǒng)算法不能實(shí)現(xiàn)較好的識(shí)別效果。

目前卷積神經(jīng)網(wǎng)絡(luò)發(fā)展迅速，裂縫自動(dòng)檢測(cè)中也開(kāi)始逐步應(yīng)用這一技術(shù)。文獻(xiàn)[5] 利用深度學(xué)習(xí)算法對(duì)無(wú)人機(jī)獲取的混凝土橋梁圖像進(jìn)行結(jié)構(gòu)表面裂縫識(shí)別；文獻(xiàn)[6]提出一種用于磁光圖像中裂縫檢測(cè)的人工神經(jīng)網(wǎng)絡(luò)方法，利用旋轉(zhuǎn)偏振光檢測(cè)裂縫引起的磁場(chǎng)，實(shí)現(xiàn)裂縫識(shí)別；文獻(xiàn)[7]利用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)混凝土裂縫，并將其與傳統(tǒng)的Canny等邊緣檢測(cè)方法進(jìn)行對(duì)比，有效證明了卷積神經(jīng)網(wǎng)絡(luò)在裂縫識(shí)別上的魯棒性與有效性。

為獲取裂縫的準(zhǔn)確位置，需進(jìn)一步提取出裂縫。隨著語(yǔ)義分割網(wǎng)絡(luò)的提出，卷積神經(jīng)網(wǎng)絡(luò)不僅可以實(shí)現(xiàn)目標(biāo)分類，同時(shí)可以實(shí)現(xiàn)像素級(jí)的目標(biāo)分割。文獻(xiàn)[8]對(duì)全卷積進(jìn)行改進(jìn)并用于路面裂縫識(shí)別；文獻(xiàn)[9]在判別器中引入分割分支，將生成式對(duì)抗網(wǎng)絡(luò)與語(yǔ)義分割網(wǎng)絡(luò)合二為一；文獻(xiàn)[10]提出基于卷積神經(jīng)網(wǎng)絡(luò)和樸素貝葉斯數(shù)據(jù)融合的方案，分析單個(gè)視頻幀的裂縫，提高了系統(tǒng)的整體性能。然而裂縫在圖像中占比很小，若直接采用以上的分割網(wǎng)絡(luò)會(huì)造成大量的資源浪費(fèi)，因此文獻(xiàn)[11]采用超像素分割獲得包含裂縫的塊狀區(qū)域，并對(duì)區(qū)域先分類后分割，實(shí)現(xiàn)裂縫識(shí)別。但超像素分割針對(duì)特征較弱的裂縫或背景干擾較多的圖像并不能實(shí)現(xiàn)較好的區(qū)域分塊。

針對(duì)以上算法中魯棒性較差、網(wǎng)絡(luò)分割效率不高且無(wú)法保證裂縫完整性的問(wèn)題，本文采用三級(jí)聯(lián)網(wǎng)絡(luò)實(shí)現(xiàn)隧道襯砌裂縫識(shí)別。結(jié)合多尺度特征融合[12]，采用共享卷積層結(jié)合金字塔網(wǎng)絡(luò)(FPN)的方式進(jìn)行全圖特征提取，解決裂縫特征較弱、淺層網(wǎng)絡(luò)無(wú)法提取的問(wèn)題。采用網(wǎng)格狀區(qū)域劃分法，通過(guò)分類網(wǎng)絡(luò)對(duì)不同尺度下的區(qū)域進(jìn)行篩查，并提出自適應(yīng)區(qū)域擴(kuò)張法確保裂縫區(qū)域的完整性。分割網(wǎng)絡(luò)中采用多尺度的特征融合實(shí)現(xiàn)裂縫分割，并將分割結(jié)果映射到整張圖像，實(shí)現(xiàn)對(duì)整張圖像的裂縫自動(dòng)識(shí)別。

1 三級(jí)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)

針對(duì)隧道襯砌圖像特點(diǎn)，設(shè)計(jì)了隧道襯砌裂縫識(shí)別算法，具體流程見(jiàn)圖1。

圖1 隧道襯砌裂縫識(shí)別算法流程

采用三層級(jí)聯(lián)式網(wǎng)絡(luò)結(jié)構(gòu)，見(jiàn)圖2。

圖2 三級(jí)聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)

第一層的特征提取網(wǎng)絡(luò)，采用五層共享卷積層結(jié)合金字塔網(wǎng)絡(luò)獲得多尺度特征圖。

第二層的區(qū)域分類網(wǎng)絡(luò)，采用多尺度區(qū)域生成思想，從不同尺度特征圖中獲取感興趣區(qū)域。網(wǎng)絡(luò)接收上一層獲取的特征圖，并進(jìn)行分區(qū)域判定，判定為裂縫的區(qū)域保留其邊界框的尺寸、中心點(diǎn)及偏移量，并傳遞到下一層的分割網(wǎng)絡(luò)。

第三層區(qū)域分割網(wǎng)絡(luò)，采用多尺度特征融合思想，以第一層網(wǎng)絡(luò)的多尺度特征圖和第二層網(wǎng)絡(luò)獲得的區(qū)域信息作為輸入，對(duì)感興趣區(qū)域進(jìn)行多尺度融合分割。

1.1 特征提取網(wǎng)絡(luò)

本層網(wǎng)絡(luò)的主要任務(wù)是獲取多尺度下的特征圖，將深層特征與淺層特征相結(jié)合。采用多尺度特征建立特征金字塔結(jié)構(gòu)，并將其傳入后續(xù)的分類、分割網(wǎng)絡(luò)，使得網(wǎng)絡(luò)在不同尺度上對(duì)目標(biāo)進(jìn)行判定，同時(shí)可以實(shí)現(xiàn)分類網(wǎng)絡(luò)與分割網(wǎng)絡(luò)的特征圖共享，減少重復(fù)計(jì)算。

1.1.1 網(wǎng)絡(luò)結(jié)構(gòu)

特征提取網(wǎng)絡(luò)中，采用金字塔網(wǎng)絡(luò)進(jìn)行不同尺度下的全圖特征提取，替代傳統(tǒng)目標(biāo)檢測(cè)中的特征提取方式，采用多個(gè)尺度的池化替代原始方法中的單一池化，作用于卷積得到特征圖，對(duì)于一幅圖像的所有候選區(qū)域只需要進(jìn)行一次卷積，避免了對(duì)不同尺度下各個(gè)圖像塊的單獨(dú)操作，提高特征提取的效率，同時(shí)可以適應(yīng)裂縫多尺度的問(wèn)題，該層網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖3，其中為了便于表示特征圖拼接過(guò)程，假定輸入圖像的尺寸為572×572。

圖3 特征提取網(wǎng)絡(luò)結(jié)構(gòu)

其中C1、C2、C3、C4、C5均包含兩次3×3的卷積操作，F(xiàn)eatureMap2，F(xiàn)eatureMap3，F(xiàn)eatureMap4由上一層的初始特征圖與該層的卷積結(jié)果crop后拼接得到，F(xiàn)eatureMap5為卷積層結(jié)果，F(xiàn)eatureMap6由FeatureMap5直接進(jìn)行池化操作得到。

考慮內(nèi)存及網(wǎng)絡(luò)計(jì)算量，不采用尺寸較大的C1層的特征圖，僅利用其他層特征圖建立特征金字塔，將深層特征與淺層特征相結(jié)合，解決裂縫特征較弱深層網(wǎng)絡(luò)無(wú)法提取的問(wèn)題，同時(shí)加入特征圖FeatureMap6增強(qiáng)裂縫的平移、旋轉(zhuǎn)和尺度不變性。

1.1.2 特征圖拼接

采用crop操作對(duì)特征圖進(jìn)行拼接，從圖像中心點(diǎn)將較大尺寸的初始特征圖直接進(jìn)行裁剪，會(huì)導(dǎo)致對(duì)應(yīng)點(diǎn)處的特征位置偏移。為了解決這一問(wèn)題，在每一次圖像卷積前均對(duì)輸入圖像進(jìn)行padding操作，為圖像四周補(bǔ)零，確保輸入圖像與輸出圖像尺寸一致，見(jiàn)圖4。

圖4 卷積中的padding操作

以某一層的特征圖獲取過(guò)程為例，下一層所得特征圖通過(guò)Upsmpling操作，與上一層特征圖進(jìn)行crop拼接，將拼接結(jié)果作為輸出結(jié)果，拼接過(guò)程見(jiàn)圖5。

圖5 特征圖拼接示意圖

加入padding操作后，下一層的輸出經(jīng)過(guò)同樣步長(zhǎng)的上采樣后，可與上一層的輸出直接拼接，解決了特征偏移問(wèn)題，也減少了裂縫識(shí)別網(wǎng)絡(luò)的計(jì)算量。為便于網(wǎng)絡(luò)處理，將輸入圖像統(tǒng)一尺寸為512×512，結(jié)合圖3可得每層特征圖尺寸分別為256×256(FeatureMap2)，128×128 (FeatureMap3)，64×64 (FeatureMap4)，32×32 (FeatureMap5)，16×16 (FeatureMap6)。

1.2 區(qū)域分類網(wǎng)絡(luò)

1.2.1 網(wǎng)絡(luò)結(jié)構(gòu)

第二層區(qū)域分類網(wǎng)絡(luò)，將圖像劃分成網(wǎng)格狀小區(qū)域，對(duì)每個(gè)小區(qū)域進(jìn)行類別判斷，可剔除大量無(wú)裂縫的背景區(qū)域，有效減少分割網(wǎng)絡(luò)計(jì)算量，操作步驟見(jiàn)圖6。

圖6 區(qū)域分類網(wǎng)絡(luò)操作步驟示意

區(qū)域分類網(wǎng)絡(luò)采用多尺度區(qū)域生成，接收上一層獲取的多尺度特征圖FeatureMapi(i=2,3,4,5)。對(duì)待檢測(cè)區(qū)域，在不同尺度特征圖中生成多個(gè)錨框，并進(jìn)行分類和邊界框回歸，保留判別為裂縫類的錨框及其尺寸h×w、中心點(diǎn)(x,y)、邊界框偏移量，并記錄此時(shí)參與分類的特征圖層級(jí)i，分類網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖7。

圖7 區(qū)域分類網(wǎng)絡(luò)結(jié)構(gòu)

基于錨框得分及錨框重疊率篩查整張圖像的錨框，并對(duì)剩余錨框進(jìn)行自適應(yīng)區(qū)域擴(kuò)張，確保區(qū)域的完整性，同時(shí)修改每個(gè)錨框?qū)?yīng)的尺寸信息，作為下一級(jí)網(wǎng)絡(luò)的輸入。

1.2.2 錨框生成

遍歷各個(gè)尺度特征圖，為其上的每個(gè)像素點(diǎn)生成對(duì)應(yīng)尺寸的錨框。以128×128的特征圖FeatureMap3為例，該特征圖相對(duì)原圖步長(zhǎng)為8，則每個(gè)像素點(diǎn)均可生成8×8面積為64的錨框。在此基礎(chǔ)上，為擴(kuò)大視野范圍且適應(yīng)檢測(cè)區(qū)域尺寸，將錨框長(zhǎng)、寬均擴(kuò)大2倍，尺寸變?yōu)?6×16，面積變?yōu)?56。由于裂縫具有線性形態(tài)，且方向具有不確定性，因此在保證面積不變的情況下，將長(zhǎng)寬變換為8×32、16×16、32×8三種類型，即為FeatureMap3上的每個(gè)像素點(diǎn)生成3種不同比例的錨框如圖8所示。

圖8 錨框生成示意

不同尺度特征圖相對(duì)原圖的步長(zhǎng)分別為4、8、16、32，因此同理設(shè)定每層的錨框尺寸為8×8、16×16、32×32、64×64，并在面積保持不變的情況下，每種按長(zhǎng)寬比0.5、1、1.5的比例衍生為3種不同尺寸的錨框。

網(wǎng)絡(luò)訓(xùn)練階段，利用已生成的錨框建立正負(fù)樣本，但其中包含很多重疊面積較大的錨框，為提高網(wǎng)絡(luò)訓(xùn)練效率、減小計(jì)算量，采用的錨框刪減準(zhǔn)則為

式中：IOU為交并比。

1.2.3 區(qū)域分類

網(wǎng)絡(luò)訓(xùn)練階段，從保留下的正負(fù)樣本中，各隨機(jī)選取部分用于分類分支(cls)與邊界框回歸分支(bbox_reg)訓(xùn)練；在檢測(cè)階段則將錨框輸入到已經(jīng)訓(xùn)練好的cls與bbox_reg分支中，進(jìn)行前景與背景的初步分類以及邊界框回歸。在分類分支中，預(yù)先設(shè)定判斷為裂縫的得分閾值為score_th，通過(guò)區(qū)域內(nèi)的錨框得分判斷區(qū)域類別，具體操作見(jiàn)圖9。

圖9 區(qū)域分類操作流程

為減少包含在內(nèi)的背景區(qū)域，區(qū)域分類時(shí)會(huì)對(duì)區(qū)域內(nèi)的所有錨框進(jìn)行篩選。由于不同尺度特征圖下錨框尺寸不同，錨框之間可能會(huì)出現(xiàn)重疊現(xiàn)象。多尺度區(qū)域判別也可能會(huì)導(dǎo)致裂縫區(qū)域查找不完整，部分錨框間可能會(huì)存在漏檢的裂縫區(qū)域，從而影響裂縫的完整性。同時(shí)，采用小區(qū)域依次判別的方式，存在某些與裂縫特征相似的目標(biāo)被誤判的情況。

針對(duì)以上問(wèn)題，對(duì)整張圖像的錨框進(jìn)行二次篩查與修正，步驟如下：

Step1若兩個(gè)錨框重疊率超過(guò)70%，則刪除得分較低的錨框。

Step2根據(jù)錨框的長(zhǎng)寬比進(jìn)行n倍的擴(kuò)張，直到80%的錨框與其周圍錨框邊長(zhǎng)存在30%的重疊區(qū)域，去除其余獨(dú)立且score較小的錨框。

Step1刪除重疊區(qū)域過(guò)多的錨框，Step2刪除可能被誤判的獨(dú)立錨框，并通過(guò)錨框擴(kuò)展確保裂縫區(qū)域的完整性，具體操作見(jiàn)圖10。圖10(b)中包含2個(gè)錨框，對(duì)于面積較小的黃色錨框，兩者的重疊率已超過(guò)黃色錨框面積的70%，因此刪除兩者中得分較低的紅色錨框，保留結(jié)果見(jiàn)圖10(c)。圖10(d)中包含多個(gè)錨框，通過(guò)錨框自適應(yīng)擴(kuò)張后得到圖10(e)。綠色錨框?yàn)楠?dú)立錨框被去除，最終結(jié)果見(jiàn)圖10(f)。

圖10 區(qū)域分類與篩選流程

1.3 區(qū)域分割網(wǎng)絡(luò)

區(qū)域分割網(wǎng)絡(luò)基于多尺度區(qū)域融合思想，采用跳躍式網(wǎng)絡(luò)結(jié)構(gòu)，具有多種特征圖結(jié)合方式。下一層預(yù)測(cè)結(jié)果通過(guò)2倍的上采樣與該層自身的預(yù)測(cè)結(jié)果進(jìn)行反卷積，再通過(guò)對(duì)應(yīng)尺度的上采樣作為該層最終預(yù)測(cè)結(jié)果。區(qū)域分割網(wǎng)絡(luò)的具體網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖11。

圖11 分割網(wǎng)絡(luò)結(jié)構(gòu)

對(duì)區(qū)域分類網(wǎng)絡(luò)傳入的每一個(gè)裂縫區(qū)域，獲取對(duì)應(yīng)的特征層級(jí)i，利用該層及之后的特征圖FeatureMapN(N≤i)，實(shí)現(xiàn)對(duì)該區(qū)域的像素分類。例如某一區(qū)域?qū)?yīng)的特征圖為FeatureMap3，則該區(qū)域的預(yù)測(cè)結(jié)果由特征圖FeatureMap3、FeatureMap4、FeatureMap5、FeatureMap6融合得到，如圖11將Output3作為最終預(yù)測(cè)結(jié)果輸出。

采用更深的特征圖，是由于裂縫特征較弱，在深層特征中會(huì)有更好的體現(xiàn)，由于該區(qū)域是在特征圖FeatureMapi中獲得的分類信息，表明特征圖FeatureMapi對(duì)該區(qū)域具有更好的表征效果。因此將其與其后的特征圖分類結(jié)果相融合，可以獲得更準(zhǔn)確的分割結(jié)果。將分割結(jié)果根據(jù)錨框位置和尺寸信息映射到原始圖像，實(shí)現(xiàn)對(duì)整張圖像的裂縫分割，見(jiàn)圖12。

圖12 整張圖的裂縫分割步驟示意

2 試驗(yàn)與分析

2.1 試驗(yàn)環(huán)境與樣本

采用Windows下的Spyder平臺(tái)開(kāi)發(fā)，使用基于Python語(yǔ)言的Tensorflow深度學(xué)習(xí)框架。為實(shí)現(xiàn)多級(jí)聯(lián)網(wǎng)絡(luò)訓(xùn)練，首先利用上海同巖土木工程科技股份有限公司研制的公路隧道檢測(cè)車TDV-H2000，采集大量隧道襯砌圖像，從單個(gè)相機(jī)圖像中選取特征較為明顯的裂縫圖像作為樣本，構(gòu)建訓(xùn)練和測(cè)試數(shù)據(jù)集。共選用裂縫圖片24 000張，按照常用的2∶1比例，將其中的8 000張作為測(cè)試樣本，剩余的16 000張作為訓(xùn)練樣本，并將圖片統(tǒng)一resize為512×512。

為改善樣本圖像光照不均勻問(wèn)題，對(duì)訓(xùn)練樣本和待檢測(cè)圖像采用帶色彩恢復(fù)的多尺度Retinex增強(qiáng)算法(MSRCR)進(jìn)行圖像增強(qiáng)預(yù)處理[13]，消除光照干擾并提高圖像的對(duì)比度，圖像預(yù)處理結(jié)果見(jiàn)圖13。

圖13 圖像預(yù)處理示意圖

網(wǎng)絡(luò)訓(xùn)練時(shí)，將分類網(wǎng)絡(luò)和分割網(wǎng)絡(luò)作為2個(gè)獨(dú)立網(wǎng)絡(luò)進(jìn)行訓(xùn)練，采用隨機(jī)梯度下降法更新權(quán)重[14]，測(cè)試時(shí)分別載入各自的權(quán)重文件。

訓(xùn)練樣本構(gòu)建示例見(jiàn)圖14，按8×8網(wǎng)格狀劃分輸入圖像，將包含裂縫與不包含裂縫的區(qū)域分別作為分類網(wǎng)絡(luò)的正、負(fù)樣本，見(jiàn)圖14(b)、圖14(c)。但裂縫在圖像中占比例過(guò)小，會(huì)造成正、負(fù)樣本量嚴(yán)重不均衡。因此區(qū)分正負(fù)樣本后，按照網(wǎng)絡(luò)訓(xùn)練中正負(fù)樣本常用比例1∶3的經(jīng)驗(yàn)值，從負(fù)樣本中隨機(jī)挑選3倍正樣本數(shù)量作為訓(xùn)練樣本，以確保正負(fù)樣本量均衡。

分割網(wǎng)絡(luò)僅采用包含裂縫的區(qū)域作為訓(xùn)練樣本，提高對(duì)小區(qū)域的針對(duì)性，并進(jìn)行像素級(jí)的人工標(biāo)注作為訓(xùn)練樣本，見(jiàn)圖14(a)。

圖14 網(wǎng)絡(luò)訓(xùn)練樣本示意

2.2 結(jié)果分析

2.2.1 特征提取結(jié)果分析

特征提取網(wǎng)絡(luò)中采用5層卷積層獲取共享特征圖，在試驗(yàn)中為了驗(yàn)證光照對(duì)網(wǎng)絡(luò)特征提取的影響，對(duì)光照處理前后的圖像進(jìn)行特征提取，將每一層的特征提取結(jié)果進(jìn)行對(duì)比，結(jié)果見(jiàn)圖15。

從圖15中可以看到，對(duì)于未進(jìn)行光照處理的圖像，特征圖中對(duì)光照部分更加敏感，尤其是在更深層的網(wǎng)絡(luò)中，裂縫區(qū)域特征提取的效果很差。經(jīng)過(guò)光照處理后的圖片，網(wǎng)絡(luò)會(huì)對(duì)圖片中的裂縫區(qū)域更加敏感，特征提取效果明顯有較大改善，因此網(wǎng)絡(luò)訓(xùn)練、測(cè)試的樣本圖片均進(jìn)行光照處理。

為了分析不同特征層中獲取到的特征圖形態(tài)，觀察不同層特征圖的輸出結(jié)果。從圖15中可以看出，F(xiàn)eatureMap6為更深層次的特征圖，提取到的特征更加抽象，而FeatureMap1中較淺的特征圖與輸入圖像相似度較高，因此采用金字塔式的特征圖結(jié)構(gòu)可以將深層特征與淺層特征相結(jié)合，可以獲得更全面的圖像特征。

2.2.2 分類網(wǎng)絡(luò)結(jié)果分析

為評(píng)價(jià)分類網(wǎng)絡(luò)的分類效果，可根據(jù)真實(shí)類別與預(yù)測(cè)類別的組合劃分為真正例TP、假正例FP、真反例TN、假反例FN，引入網(wǎng)絡(luò)性能測(cè)試中常用的3個(gè)評(píng)價(jià)標(biāo)準(zhǔn)，包括分類精度、查準(zhǔn)率、查全率。

試驗(yàn)中設(shè)置分類網(wǎng)絡(luò)的初始學(xué)習(xí)率為0.001，衰減為0.1，100個(gè)epoch中每10個(gè)降低一次，模型采用Softmax分類器，將其中得分大于0.7的區(qū)域判斷為存在裂縫。采用800張測(cè)試樣本，模型中將每張圖像劃分為8×8的網(wǎng)格狀區(qū)域，因此共包含51 200個(gè)測(cè)試樣本。為了驗(yàn)證小區(qū)域劃分的必要性，試驗(yàn)中將整張圖片作為輸入，與小區(qū)域劃分的判別結(jié)果進(jìn)行對(duì)比，由于樣本圖像均包含裂縫，因此對(duì)整張圖片測(cè)試時(shí)負(fù)樣本數(shù)量為0，僅對(duì)其分類精度以及查全率進(jìn)行統(tǒng)計(jì)，測(cè)試結(jié)果如表1所示。

從表1中可以看出，網(wǎng)絡(luò)對(duì)于小區(qū)域有更高的分類精度，采用區(qū)域劃分的方式可以篩除大部分的背景區(qū)域，同時(shí)絕大部分包含裂縫的區(qū)域得到了保留。

漏檢的裂縫區(qū)域通過(guò)之后的自適應(yīng)區(qū)域擴(kuò)展得到補(bǔ)充，可以保證裂縫檢測(cè)區(qū)域的完整性，而被誤判為正例的非裂縫區(qū)域，在區(qū)域擴(kuò)展后通過(guò)獨(dú)立區(qū)域篩除，可以進(jìn)行二次刪除，假正例的數(shù)量減少，網(wǎng)絡(luò)的查準(zhǔn)率提高為98.21%。

2.2.3 分割網(wǎng)絡(luò)結(jié)果分析

經(jīng)過(guò)分類網(wǎng)絡(luò)后大部分背景區(qū)域已被刪除，但剩余區(qū)域中裂縫在寬度上仍然表現(xiàn)較弱，為更好地保留裂縫形態(tài)，分割網(wǎng)絡(luò)中采用較低的判定閾值，試驗(yàn)中設(shè)置為0.5。

手工標(biāo)注圖存在較大主觀差異，且在真實(shí)圖像中裂縫與非裂縫區(qū)域之間存在一定的過(guò)渡區(qū)域。因此需設(shè)置一定的允許偏差范圍[15-16]，在此本文選用2個(gè)像素大小，以確保分割精度計(jì)算的準(zhǔn)確度。

經(jīng)過(guò)分類網(wǎng)絡(luò)后，被判定為正例的區(qū)域數(shù)量為6 438個(gè)，其中真實(shí)包含裂縫的區(qū)域個(gè)數(shù)為6 323個(gè)。在試驗(yàn)中輸出判定為正例的區(qū)域圖，對(duì)其中真實(shí)包含裂縫的圖片采用人工標(biāo)注的方式獲得參考圖。引入分割算法評(píng)價(jià)性能中常用的評(píng)價(jià)參數(shù)：分割精度、欠分割率、過(guò)分割率[17]，將網(wǎng)絡(luò)分割結(jié)果與人工標(biāo)注圖進(jìn)行對(duì)比，每個(gè)像素點(diǎn)處的裂縫垂直寬度允許有2個(gè)像素大小的差異，分割結(jié)果統(tǒng)計(jì)如表2所示。

表2 分割網(wǎng)絡(luò)測(cè)試結(jié)果統(tǒng)計(jì)表

由于假正例中實(shí)際上不包含裂縫，因此僅將未分割出目標(biāo)的區(qū)域數(shù)量占假正例總數(shù)的比例，作為分割網(wǎng)絡(luò)對(duì)假正例的分割精度。從表2中可以看出，對(duì)于真實(shí)包含裂縫的區(qū)域，本文的分割網(wǎng)絡(luò)精度可達(dá)到94.44%，可以從圖片中較準(zhǔn)確地分割出裂縫。

將判定為正例的區(qū)域圖中真實(shí)包含裂縫的圖像，采用FCN、UNet進(jìn)行對(duì)比測(cè)試，F(xiàn)CN與UNet網(wǎng)絡(luò)中均采用了金字塔的特征圖構(gòu)建方式，且均可實(shí)現(xiàn)像素級(jí)的目標(biāo)分割。在相同的測(cè)試樣本、訓(xùn)練批次與輸出閾值下，將FCN、UNet網(wǎng)絡(luò)的分割結(jié)果與本文的裂縫識(shí)別網(wǎng)絡(luò)進(jìn)行比較，結(jié)果見(jiàn)圖16。

圖16 不同網(wǎng)絡(luò)的分割結(jié)果對(duì)比

分類選取環(huán)向、縱向及斜向裂縫進(jìn)行對(duì)比，從圖16中可以看出，本文網(wǎng)絡(luò)相較FCN和UNet在裂縫分割的完整性上有更好的表現(xiàn)，分割結(jié)果更準(zhǔn)確。將FCN、UNet的分割結(jié)果分別與參考圖進(jìn)行校對(duì)，并與本文的分割結(jié)果進(jìn)行比較，統(tǒng)計(jì)結(jié)果如表3所示。

表3 不同網(wǎng)絡(luò)的分割結(jié)果對(duì)比表

從表3中可以看出，本文算法在分割精度上比FCN提高了6.83%，比UNet提高了4.24%，同時(shí)在欠分割率和過(guò)分割率上都有一定改善，表明本文算法獲得的裂縫區(qū)域更準(zhǔn)確。但由于本文算法的網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，從表3中可以看出本文算法識(shí)別效率略低于其他兩種算法。

3 結(jié)論

(1)本文提出一種基于級(jí)聯(lián)網(wǎng)絡(luò)的隧道襯砌裂縫識(shí)別算法，重點(diǎn)介紹了級(jí)聯(lián)式裂縫識(shí)別網(wǎng)絡(luò)、多尺度區(qū)域篩查、區(qū)域自適應(yīng)擴(kuò)張，并與常用的語(yǔ)義分割網(wǎng)絡(luò)FCN、UNet進(jìn)行對(duì)比，試驗(yàn)結(jié)果表明本文算法在裂縫分割的準(zhǔn)確度上有更好的表現(xiàn)。

(2)本文網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，因此識(shí)別效率上略有降低，但識(shí)別準(zhǔn)確度提高較大。并且在實(shí)際工程應(yīng)用中，由于裂縫非實(shí)時(shí)變化，更關(guān)注裂縫識(shí)別的準(zhǔn)確度以便獲得更準(zhǔn)確的裂縫信息，因此識(shí)別率的提高更具有實(shí)際使用價(jià)值。

(3)本文研究成果可應(yīng)用于隧道襯砌裂縫的自動(dòng)化檢測(cè)，后續(xù)可通過(guò)形態(tài)學(xué)或連通域判斷等操作進(jìn)一步細(xì)化分割結(jié)果，實(shí)現(xiàn)對(duì)裂縫的精細(xì)提取，有效提高隧道襯砌裂縫的檢測(cè)準(zhǔn)確度，降低人工成本。

(4)開(kāi)展裂縫區(qū)域里程定位、寬度等信息獲取、裂縫病害數(shù)字化管理的深入研究，形成完整的隧道襯砌裂縫檢測(cè)系統(tǒng)，將具有更高的使用價(jià)值。