基于機(jī)器學(xué)習(xí)的RC橋梁病害檢測(cè)方法的研究

閔凡華

摘 要：人工判別病害有較大的工作量、達(dá)不到較高效率等問(wèn)題在橋梁檢測(cè)中比較常見(jiàn)，本研究基于RC（鋼筋混凝土）橋梁初步探討了橋梁病害檢測(cè)中機(jī)器學(xué)習(xí)的應(yīng)用。圍繞鋼筋混凝土橋梁應(yīng)用橋梁病害的現(xiàn)有檢測(cè)方法、機(jī)器學(xué)習(xí)研究進(jìn)展及機(jī)器學(xué)習(xí)方法等方面展開(kāi)相關(guān)探討，結(jié)果顯示，以深度學(xué)習(xí)為基礎(chǔ)的橋梁病害檢測(cè)方法可從病害圖像中自動(dòng)提取病害相應(yīng)特征，對(duì)病害進(jìn)行分類并準(zhǔn)確定位，為病害自動(dòng)化檢測(cè)提供了具體應(yīng)用場(chǎng)景，對(duì)于提高橋梁智能化養(yǎng)護(hù)管理水平十分積極地作用。

關(guān)鍵詞：鋼混橋梁;病害圖像;橋梁病害檢測(cè)

0 前言

隨著橋梁使用年限的逐漸延長(zhǎng)，混凝土材料日益發(fā)生老化問(wèn)題，橋梁使用中難免出現(xiàn)開(kāi)裂、麻面、蜂窩及鋼筋銹蝕裸露等各類病害，嚴(yán)重影響橋梁的耐久性及安全性。對(duì)于正在使用中存在病害的橋梁，橋梁維護(hù)的關(guān)鍵在于快速有效地進(jìn)行病害檢測(cè)。橋梁病害采用傳統(tǒng)人工判別方法因存在較大工作量、較強(qiáng)主觀性及達(dá)不到較高效率等不足之處，與實(shí)際需求不能完全相適應(yīng)。隨著日益發(fā)展的計(jì)算機(jī)技術(shù)，機(jī)器學(xué)習(xí)由于在智能化水平、成本及效率等方面具有明顯優(yōu)勢(shì)，在橋梁病害檢測(cè)中日益得到廣泛應(yīng)用。對(duì)橋梁檢測(cè)中得到的病害圖像，由傳統(tǒng)人工判別方式采用自動(dòng)定位及識(shí)別方式替代，使橋梁提高管理有效性，逐漸成為一個(gè)主要的研究趨勢(shì)。

1 現(xiàn)有鋼筋混凝土橋梁病害檢測(cè)方法

現(xiàn)有大部分橋梁都采用鋼筋混凝土結(jié)構(gòu)，存在裂縫、蜂窩麻面、剝落、空洞及銹蝕漏筋等較多缺陷類型。病害不僅有對(duì)空洞等病害容易判別明顯特征，而且只有較小寬度，裂縫不明顯等表現(xiàn)。病害采用傳統(tǒng)人工判別方式盡管便捷，但受到較大工作量、較低效率等不足之處的限制，檢測(cè)中經(jīng)常發(fā)生錯(cuò)檢及漏檢問(wèn)題。隨著逐漸增長(zhǎng)的橋梁體量，待檢橋梁不斷增長(zhǎng)數(shù)量，將不斷放大不足之處。采用聲發(fā)射、紅外熱像及超聲脈沖等無(wú)損檢測(cè)技術(shù)，盡管可對(duì)橋梁內(nèi)部病害進(jìn)行探測(cè)，但只能有限應(yīng)用于自動(dòng)化場(chǎng)景，現(xiàn)有工程還處于對(duì)病害的定性識(shí)別過(guò)程中，無(wú)法定量分析病害。為使傳統(tǒng)檢測(cè)方法存在的局限性得到及時(shí)解決，近年來(lái)無(wú)人機(jī)逐漸發(fā)展到評(píng)估土木工程外觀等方面。采用將高清相機(jī)搭載到無(wú)人機(jī)中檢查橋梁結(jié)構(gòu)外觀，得到結(jié)構(gòu)缺陷的具體圖像，與圖像處理與機(jī)器學(xué)習(xí)技術(shù)相結(jié)合檢測(cè)病害，逐漸成為一個(gè)研究熱點(diǎn)。

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)主要是指在大量樣本數(shù)據(jù)中利用算法對(duì)其存在的隱含規(guī)律進(jìn)行發(fā)現(xiàn)，建立網(wǎng)絡(luò)模型分類或預(yù)測(cè)數(shù)據(jù)。根據(jù)樣本數(shù)據(jù)的人工標(biāo)注是否存在，可將機(jī)器學(xué)習(xí)有監(jiān)督學(xué)習(xí)算法和無(wú)監(jiān)督學(xué)習(xí)算法兩類。目前相關(guān)研究中，在橋梁病害檢測(cè)中應(yīng)用的機(jī)器學(xué)習(xí)方法主要是有監(jiān)督學(xué)習(xí)算法。

2.2 有監(jiān)督學(xué)習(xí)算法

在BP神經(jīng)網(wǎng)絡(luò)中，主要分為輸入層、輸出層及隱藏層，分為前向和誤差后向兩個(gè)傳播階段。算法根據(jù)計(jì)算網(wǎng)絡(luò)得到輸出值與期望的差距，對(duì)網(wǎng)絡(luò)權(quán)重和偏置參數(shù)逐漸更新，直至符合誤差要求。雖然BP算法的非線性映射能力較好，但因存在收斂速度不快及存在局部極小值等不足之處，不同訓(xùn)練結(jié)果不能保持一致性。

支持向量機(jī)屬于二值分類模型，以找到可對(duì)數(shù)據(jù)集劃分正確并達(dá)到最大幾何間隔的一個(gè)超平面為主要決策思路。與超平面相距最近的點(diǎn)被稱為支持向量，其間距為到超平面的兩倍距離。其泛化能力和魯棒性優(yōu)勢(shì)明顯，但對(duì)大規(guī)模數(shù)據(jù)集適用性不強(qiáng)，在多分類問(wèn)題中難以達(dá)到良好效果。

卷積神經(jīng)網(wǎng)絡(luò)屬于深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，因其采用權(quán)值共享、局部連接方式，使模型降低了復(fù)雜度，解決了使傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中過(guò)大數(shù)據(jù)量不能學(xué)習(xí)的問(wèn)題得到解決，在圖像識(shí)別中目前已得到較為廣泛地應(yīng)用。

YOLO v3是基于回歸的一種目標(biāo)檢測(cè)算法，算法較為迅速，可對(duì)目標(biāo)邊界框具體位置直接預(yù)測(cè)，采用對(duì)目標(biāo)細(xì)節(jié)特征識(shí)別方式檢測(cè)。該算法應(yīng)用53個(gè)卷積層的網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)圖片下采樣共5 次，生成尺度不同的3個(gè)目標(biāo)特征圖，用于檢測(cè)尺度大小不同的目標(biāo)。

3 基于機(jī)器學(xué)習(xí)的病害檢測(cè)應(yīng)用

鋼筋混凝土橋梁病害檢測(cè)主要是以計(jì)算機(jī)視覺(jué)為基礎(chǔ)的目標(biāo)檢測(cè)，目前主要有兩類基于機(jī)器學(xué)習(xí)的病害檢測(cè)方法，一是采用手工方式對(duì)圖像特征進(jìn)行提取，對(duì)其分類和預(yù)測(cè)可與機(jī)器學(xué)習(xí)算法相結(jié)合。二是采用深度學(xué)習(xí)算法，對(duì)圖像特征自動(dòng)提取，將目標(biāo)病害類別及具體部位輸出。

3.1 圖像特征的手工提取方式與機(jī)器學(xué)習(xí)相結(jié)合

該方法采用手工方式對(duì)裂縫形態(tài)、梯度直方圖特征等圖像特征進(jìn)行提取，預(yù)測(cè)或分類與淺層神經(jīng)網(wǎng)絡(luò)相結(jié)合。某橋梁采用八旋翼無(wú)人機(jī)為平臺(tái)，對(duì)橋梁實(shí)施實(shí)橋成像試驗(yàn)方法，對(duì)橋梁裂縫形態(tài)特征圖進(jìn)行提取，與支持向量機(jī)相結(jié)合識(shí)別裂縫，采用多個(gè)訓(xùn)練樣本進(jìn)行驗(yàn)證，可達(dá)到95%的分類正確率。對(duì)橋梁裂縫采用無(wú)人機(jī)成像形狀和寬度證實(shí)了其可靠性，但該方法應(yīng)對(duì)圖像特征采用人為提取方式，淺層神經(jīng)網(wǎng)絡(luò)智能對(duì)較少樣本數(shù)量進(jìn)行處理。在橋梁病害檢測(cè)中，針對(duì)環(huán)境復(fù)雜及樣本量較大病害的應(yīng)用較為有限。

3.2 基于深度學(xué)習(xí)的病害檢測(cè)方法

隨著日益發(fā)展的深度學(xué)習(xí)，深層神經(jīng)網(wǎng)絡(luò)可對(duì)實(shí)現(xiàn)對(duì)圖像特征的自動(dòng)提取，不僅對(duì)大量圖像數(shù)據(jù)進(jìn)行處理，還確保

分類正確率較高，對(duì)于基于深度學(xué)習(xí)的病害檢測(cè)技術(shù)的發(fā)展具有重要促進(jìn)作用。有研究表明路面病害識(shí)別中引入卷積神經(jīng)網(wǎng)絡(luò)，對(duì)眾多橋梁病害檢測(cè)圖像提取裂縫、坑槽特征，病害判別分別達(dá)到96.5%、94.7%的準(zhǔn)確率，進(jìn)一步證實(shí)卷積神經(jīng)網(wǎng)絡(luò)精度符合橋梁病害復(fù)雜形態(tài)特性，但在橋梁病害檢測(cè)中對(duì)于病害部位及類別更為重視?；诰矸e神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法，不只可對(duì)目標(biāo)病害類別輸出，還可對(duì)目標(biāo)病害部位進(jìn)行預(yù)測(cè)，對(duì)于橋梁病害檢測(cè)智能化的發(fā)展具有一定推動(dòng)作用。有研究結(jié)果顯示，采用卷積神經(jīng)網(wǎng)絡(luò)算法，對(duì)混凝土裂縫及程度不同的螺栓、鋼板腐蝕等不能類型損傷的2365張多種損傷類型圖像進(jìn)行識(shí)別定位，平均分類準(zhǔn)確率高達(dá)89.25%。采用YOLO v3算法識(shí)別和定位2 205張混凝土橋梁病害檢測(cè)圖像，與遷移學(xué)習(xí)策略相結(jié)合，使訓(xùn)練樣本存在的不足之處得到明顯改善，識(shí)別及定位病害準(zhǔn)確率高達(dá)82%。

4 結(jié)語(yǔ)

綜上所述，在橋梁自動(dòng)化檢測(cè)中基于深度學(xué)習(xí)的橋梁病害檢測(cè)方法具有更明顯的適用性，在橋梁運(yùn)營(yíng)管理中的智能檢測(cè)具有重要推動(dòng)作用。但在研究中存在很多亟待解決的難題，一是在訓(xùn)練樣本數(shù)量方面，深度學(xué)習(xí)具有較高要求，有標(biāo)簽病害圖像在實(shí)際訓(xùn)練中只有有限的數(shù)量。二是鋼筋混凝土橋梁病害中，因裂縫等較小寬度的病害存在，圖像中不具有明顯目標(biāo)，增大了識(shí)別難度，成為相關(guān)研究中眾多病害達(dá)不到較高分類準(zhǔn)確率的一個(gè)重要原因。

參考文獻(xiàn)：

[1]賀拴海，趙祥模，馬建，等.公路橋梁檢測(cè)及評(píng)價(jià)技術(shù)綜述[J].中國(guó)公路學(xué)報(bào)，2017，30（11）：63-80.

[2]黃鳳華，曹一山，蔣永生，等.機(jī)器學(xué)習(xí)在橋梁病害檢測(cè)識(shí)別中的研究應(yīng)用進(jìn)展[J].公路交通科技（應(yīng)用技術(shù)版），2019，15（9）：114-116.

[3]馬曄.混凝土結(jié)構(gòu)缺陷的紅外熱成像檢測(cè)識(shí)別技術(shù)[J].公路交通科技，2017，34（12）：59-65.

[4]張潤(rùn)，王永濱.機(jī)器學(xué)習(xí)及其算法和發(fā)展研究[J].中國(guó)傳媒大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，23（2）：10-18+24.

[5]李彥冬，郝宗波，雷航.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用，2016，36（9）：2508-2515+2565.

[6]常志明.正交試驗(yàn)對(duì)高粘薄層瀝青混合料路用性能的研究[J].安徽建筑，2013，20（2）：208-210.