基于卷積神經(jīng)網(wǎng)絡(luò)的橋梁裂縫檢測研究★

楊紫艷 馬龍博 鄧 凌 史有玉

(東北林業(yè)大學土木工程學院，黑龍江 哈爾濱 150040)

0 引言

橋梁在役期間受環(huán)境等因素的影響，其自身各部分結(jié)構(gòu)會產(chǎn)生不同程度的損傷和劣化。常見的橋體結(jié)構(gòu)病害特征有裂縫、剝蝕、鋼筋銹蝕、混凝土碳化等，而橋梁裂縫作為一種主要的橋體結(jié)構(gòu)病害特征，對橋梁健康狀態(tài)綜合評定結(jié)果有重要影響[1]。

傳統(tǒng)的人工檢測方法，在檢測效率、檢測精度上、勞動強度、成本等方面存在很多不足[2]。近年來，無人機被廣泛地應(yīng)用在施工和工程質(zhì)量檢測工作中，大量學者研究基于無人機的橋梁裂縫自動化檢測技術(shù)：基于無人機采集圖像和相關(guān)數(shù)據(jù)，利用圖傳技術(shù)收集橋梁外觀信息，研究圖像識別算法，實現(xiàn)橋梁裂縫的自動化檢測識別，其技術(shù)的核心問題和研究重點是圖像識別算法。傳統(tǒng)的圖像處理算法在裂縫識別效果上無法滿足橋梁檢測工作的要求。卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，很大程度上提升了圖像識別的準確率[3-5]，應(yīng)用該算法實現(xiàn)圖像識別的效果已經(jīng)得到大量學者的驗證。

本文以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，提出一種基于無人機的橋梁裂縫識別的技術(shù)，該技術(shù)為實現(xiàn)橋梁自動化檢測提供一定幫助。

1 國內(nèi)外基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)研究現(xiàn)狀

卷積神經(jīng)網(wǎng)絡(luò)的研究最早開始于20世紀80年代，一些學者開展了卷積神經(jīng)網(wǎng)絡(luò)(CNN)的相關(guān)科研工作，并在手寫數(shù)字識別中取得了良好的圖像自動化識別效果[6]。然而受計算機性能等因素限制，此時卷積神經(jīng)網(wǎng)絡(luò)無法很好地對大規(guī)模的數(shù)據(jù)進行識別分析。2012年AlexNet網(wǎng)絡(luò)的出現(xiàn)說明卷積神經(jīng)網(wǎng)絡(luò)在大數(shù)據(jù)分析上存在更多的可能性。此后，更多更深的卷積神經(jīng)網(wǎng)絡(luò)模型被提出。如今，輕量型的卷積神經(jīng)網(wǎng)受到更多人的認可?？v觀卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展史，卷積神經(jīng)網(wǎng)絡(luò)模型經(jīng)歷了從簡到繁再到簡的過程。

近年來，國外對基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)的應(yīng)用進行了深入研究。基于CNN的圖像識別技術(shù)不僅被應(yīng)用在工程建設(shè)領(lǐng)域，在醫(yī)學上也可用于實現(xiàn)醫(yī)學影像的識別分析。國內(nèi)學者對卷積神經(jīng)網(wǎng)絡(luò)的研究也取得了一定的進展，如溫作林等[7]設(shè)計了一種名為CrackNet的深度卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)用于提取圖像特征，較好地實現(xiàn)了橋梁裂縫的檢測識別與定位，通過模型訓(xùn)練結(jié)果分析，該模型表現(xiàn)出較強的魯棒性和高效性。

2 卷積神經(jīng)網(wǎng)絡(luò)概述

卷積神經(jīng)網(wǎng)絡(luò)，在訓(xùn)練速度上優(yōu)于其他機器學習算法，其可通過局部感知、權(quán)值共享和池化等方法大大減少層間的連接和所需要的參數(shù)，加快神經(jīng)網(wǎng)絡(luò)訓(xùn)練的速度。卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)一般由以下五層構(gòu)成：輸入層、卷積層、池化層、激活層、全連接層。

輸入層用于數(shù)據(jù)預(yù)處理，可通過數(shù)據(jù)標準化、歸一化、去均值等方式處理用作訓(xùn)練的數(shù)據(jù)。卷積層主要用于圖像特征的提取，卷積核以一定的步長以滑動窗口的形式與圖像矩陣做數(shù)乘法后求和。池化可聚合卷積操作提取的特征，降維減少運算量。卷積后的特征圖有相當多的冗余信息，池化的目的就是去除冗余信息，同時保留圖片最重要的信息，常見的池化方式有平均池化、最大池化、求和池化。模型采用最大池化方式進行特征的聚合。激活層利用激活函數(shù)解決了部分圖像數(shù)據(jù)非線性可分的問題，可提高深層神經(jīng)網(wǎng)絡(luò)的表達能力。全連接層則整合局部信息，同時將輸出的值送給分類器。

3 圖像預(yù)處理

3.1 數(shù)據(jù)集的建立

選擇合適的橋梁作為調(diào)查對象，利用無人機搭載攝像頭近距離提取橋梁外觀影像數(shù)據(jù)。處理實地調(diào)研收集到的圖片數(shù)據(jù)和從網(wǎng)絡(luò)資源中搜集到的橋梁部位圖片作為原始樣本集。鑒于數(shù)據(jù)集的大小對算法的準確率會產(chǎn)生一定的影響，可通過擴大數(shù)據(jù)集的方式解決模型的過擬合問題。將處理好的原始圖片通過原始裁剪、平移變換、旋轉(zhuǎn)變換等增加訓(xùn)練數(shù)據(jù)。然后，將處理好的每一副圖片進行編號，將其標記為裂縫或非裂縫，用于模型的訓(xùn)練、測試和驗證。取樣本集中的部分圖片預(yù)覽如圖1所示。

3.2 邊緣檢測

邊緣檢測是圖像預(yù)處理中常用的處理原始圖像樣本的方法。邊緣檢測主要檢測的是圖片顏色變化比較明顯的地方。原始樣本圖片的邊緣檢測預(yù)處理對于卷積神經(jīng)網(wǎng)絡(luò)特征的提取具有重要的意義，在一定程度上能提高模型訓(xùn)練的準確率。本文采用Roberts算子進行邊緣檢測，該算子對于低噪聲的圖像具有良好的處理效果。經(jīng)過Roberts算子邊緣檢測處理后的效果如圖2，圖3所示。

3.3 數(shù)據(jù)標準化

由于拍攝環(huán)境的不同，圖片的灰度、曝光度存在差異，對模型權(quán)值更新將產(chǎn)生一定影響。對訓(xùn)練集圖片數(shù)據(jù)進行標準化處理可在一定程度上增強模型的泛化能力，模型采用z-score數(shù)據(jù)標準化方式，具體公式為：

其中,μ為原始圖像數(shù)據(jù)的均值；x為圖像矩陣；σ為原始數(shù)據(jù)的標準方差。

4 定義卷積神經(jīng)網(wǎng)絡(luò)

4.1 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

該模型以兩組卷積核和池化層為基礎(chǔ)，通過兩層全連接層連接特征，采用Softmax分類器輸出在每個可能的類標簽上的概率分布，然后分析類標簽上的概率分布對圖像進行分類。卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)如表1所示。

表1 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)

4.2 激活函數(shù)

激活函數(shù)又稱激勵函數(shù)，sigmoid,tanh,Relu,ELU,Maxout等是常見的幾種激活函數(shù)。通常激活函數(shù)具有以下部分特性：非線性、連續(xù)可微、單調(diào)性、范圍最好不飽和、在原點近似線性。需要注意的是，目前沒有一種激活函數(shù)能滿足以上全部性質(zhì)。本文采用非飽和激活函數(shù)Relu：

f(x)=max(0,x)。

Relu函數(shù)圖像如圖4所示，由圖4可知，相較于其他激活函數(shù)，Relu函數(shù)只需要判斷輸入是否大于0，因此在訓(xùn)練速度上Relu函數(shù)要快很多。

4.3 局部響應(yīng)歸一化

無人機拍攝的橋梁外觀圖片存在亮度不均的問題，為了削弱圖片不同亮度對橋梁裂縫檢測的影響，添加局部響應(yīng)歸一化層用于構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的局部側(cè)抑制機制。局部響應(yīng)歸一化(LRN)可將不同卷積核Relu后的特征歸一化，提高深度學習準確度、增強模型的響應(yīng)能力。批量歸一化(BN)同樣可增強模型的泛化能力，與局部響應(yīng)歸一化(LRN)側(cè)抑制機理不同，批量歸一化(BN)則通過減少內(nèi)部協(xié)變量轉(zhuǎn)移實現(xiàn)數(shù)據(jù)的歸一化處理。

LRN首次由Alexnet提出：

4.4 邊界填充

卷積層在提取圖像局部特征的過程中，圖像隨著卷積操作的進行逐漸變小，容易導(dǎo)致圖像邊界信息的丟失，但邊界信息對特征的提取同樣發(fā)揮著一定的作用。為減少邊界信息特征的損失，模型對圖像進行邊界填充處理。

5 模型的訓(xùn)練與預(yù)測

利用經(jīng)過數(shù)據(jù)預(yù)處理的訓(xùn)練集訓(xùn)練搭建好的卷積神經(jīng)網(wǎng)絡(luò)模型，并利用優(yōu)化器不斷更新和計算網(wǎng)絡(luò)參數(shù)值，使損失函數(shù)最小化(或最大化)。在神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練中，常見的優(yōu)化器有SGDM，Adam，Adagrad等，模型采用自適應(yīng)估計Adam作為優(yōu)化器，對權(quán)重、偏置項和學習率進行修正，設(shè)置基礎(chǔ)學習率為0.000 1，訓(xùn)練步數(shù)為6 000。

模型經(jīng)過訓(xùn)練后可得出多個不同的模型，之后，用驗證集驗證各個模型的性能和分類能力。此時，同一參數(shù)的不同取值可擬合出不同的分類器。

模型經(jīng)過訓(xùn)練集和測試集訓(xùn)練后各項參數(shù)達到較優(yōu)值。最后，利用測試集預(yù)測模型的正確率、損失率等各項指標。同時，檢驗?zāi)Ｐ妥R別裂縫圖片的準確率，實驗結(jié)果顯示該模型具有良好的識別效果。

6 結(jié)論

1)本文證實了無人機在橋梁外觀檢測工作中的應(yīng)用價值：利用無人機代替人工巡檢，通過記錄航空攝影采集橋梁結(jié)構(gòu)圖片數(shù)據(jù)，并進行高精度定位，同時可對橋梁外觀易損結(jié)構(gòu)進行重點檢測，有利于提高橋梁養(yǎng)護工作效率，消除人工檢測的弊端，推進土木工程領(lǐng)域的智能化水平。

2)本文將無人機和基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)結(jié)合在一起，實現(xiàn)了橋梁裂縫的自動化檢測：整理無人機獲取的橋梁外觀圖片，并對其進行預(yù)處理。搭建卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練處理好的橋梁樣本數(shù)據(jù)集，利用訓(xùn)練好的模型識別橋梁裂縫圖片和完好圖片，實驗結(jié)果表明該方法在識別效果上優(yōu)于傳統(tǒng)的圖像處理技術(shù)。通過該例子可證明基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù)在橋梁裂縫識別中的實用性和可行性。該技術(shù)還可用于道路、房屋建筑等裂縫的識別，能有效減少建筑物安全巡檢的人力、物力，在道路橋梁等建筑物的養(yǎng)護上具有廣泛的用途。