基于深度學(xué)習(xí)SCNet 的鋼筋混凝土銹蝕裂縫識(shí)別

許穎，張?zhí)烊?，金?/p>

（哈爾濱工業(yè)大學(xué)（深圳），深圳市城市與土木工程防災(zāi)減災(zāi)重點(diǎn)實(shí)驗(yàn)室，廣東深圳 518055）

鋼筋混凝土結(jié)構(gòu)的鋼筋銹蝕會(huì)引起鋼筋體積膨脹，導(dǎo)致混凝土裂縫的開展進(jìn)而危害結(jié)構(gòu)的安全性［1］.傳統(tǒng)的裂縫監(jiān)測(cè)需要人工定期定時(shí)完成，但是存在安全性差、成本高、效率低的問(wèn)題.隨著技術(shù)發(fā)展，光纖、掃描電鏡、熱成像、超聲波［2］等技術(shù)也被運(yùn)用到裂縫檢測(cè)中來(lái)，但這些技術(shù)也有其局限性且成本高昂.目前很多比較全面的結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)只配置在大型建筑之中［3-4］，需要安裝大量的傳感器，收集數(shù)據(jù)，并作一定的環(huán)境補(bǔ)償.隨著計(jì)算機(jī)的發(fā)展，一些基于計(jì)算機(jī)視覺(jué)的圖像處理技術(shù)被投入使用［5-6］，可以檢測(cè)到混凝土表面缺陷，但是截至目前圖像處理技術(shù)還存在著不足，比如不能對(duì)不同原因?qū)е碌娜毕葸M(jìn)一步分類，光照和噪聲對(duì)其結(jié)果影響較大等.

深度學(xué)習(xí)算法屬于機(jī)器學(xué)習(xí)，是一種通過(guò)大規(guī)模的數(shù)據(jù)集訓(xùn)練學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)框架，更新權(quán)重提取特征的學(xué)習(xí)方式［7］.卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是利用深度學(xué)習(xí)構(gòu)建的神經(jīng)網(wǎng)絡(luò)，它的靈感來(lái)源于動(dòng)物的視覺(jué)皮層［8］，能夠有效地捕捉到圖像的網(wǎng)格狀拓?fù)浣Y(jié)構(gòu)，作為判斷分類的依據(jù)［9］，可以高效地進(jìn)行圖像識(shí)別.

對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究早已開展，但是將這項(xiàng)技術(shù)應(yīng)用于圖像處理尤其是土木工程裂縫識(shí)別的時(shí)間不是很長(zhǎng).蔡光明［10］提出的橋梁裂縫視頻檢測(cè)系統(tǒng)使用了視頻圖像處理技術(shù)，彌補(bǔ)了橋梁裂縫檢測(cè)技術(shù)的不足.Landstrom 等［11］提出了一種基于鋼板表面三維輪廓數(shù)據(jù)，利用形態(tài)圖像處理和邏輯推理的統(tǒng)計(jì)分類，實(shí)現(xiàn)鋼板表面裂紋自動(dòng)在線檢測(cè)的方法.Moon 等［12］研究開發(fā)了一種能夠?qū)炷帘砻孢M(jìn)行分析并有效識(shí)別可視化裂縫的自動(dòng)檢測(cè)系統(tǒng).通過(guò)濾波、改進(jìn)的減法和形態(tài)學(xué)運(yùn)算，將裂紋與背景圖像區(qū)分開來(lái)并識(shí)別裂紋.

隨著BP 神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等領(lǐng)域的深入研究，裂縫特征提取的效率也隨之提高.Zhang等［13］將深度學(xué)習(xí)算法應(yīng)用于道路的裂縫檢測(cè)方面，給出了一種通過(guò)深度學(xué)習(xí)來(lái)實(shí)現(xiàn)的裂縫檢測(cè)手段.Cha等［14］將訓(xùn)練的CNN 網(wǎng)絡(luò)模型與滑動(dòng)窗口技術(shù)相結(jié)合，完成對(duì)混凝土裂縫圖像的檢測(cè)識(shí)別.

然而，現(xiàn)階段深度學(xué)習(xí)CNN 只能識(shí)別出混凝土表面是否存在裂縫，還無(wú)法判斷此裂縫是否為銹蝕裂縫.有鑒于此，本文將CNN應(yīng)用于鋼筋混凝土銹蝕裂縫識(shí)別分類，提出了一種基于深度學(xué)習(xí)CNN的鋼筋混凝土銹蝕裂縫識(shí)別模型SCNet（Steel Corrosion Net），并將其與兩種傳統(tǒng)檢測(cè)方法進(jìn)行對(duì)比，結(jié)果驗(yàn)證了該模型的準(zhǔn)確性和可測(cè)性.若應(yīng)用于工程實(shí)踐中，SCNet可以較好地識(shí)別鋼筋混凝土結(jié)構(gòu)的銹蝕裂縫.

1 CNN理論介紹

CNN 由輸入、隱含、輸出等結(jié)構(gòu)層組成，其中隱含層包括卷積、池化、激活、全連接、Softmax 和Dropout 層等，圖1 所示為基本的用于分類的CNN 框架圖［14-15］.

圖1 圖像分類CNN框架Fig.1 CNN framework of image classification

卷積層用來(lái)提取模型輸入數(shù)據(jù)的基礎(chǔ)特征，每一個(gè)卷積層有多個(gè)矩陣卷積核，每個(gè)矩陣的元素都有相應(yīng)的權(quán)重系數(shù)和偏差值用來(lái)執(zhí)行卷積操作，其操作公式為：

式中：Xi，j是圖像的第i行第j列元素；Wm，n是卷積核的第m行第n列權(quán)值；Wb是卷積核的偏置項(xiàng)；Ai，j是特征圖的第i行第j列元素.

輸入數(shù)據(jù)在卷積層行特征提取后，在池化層進(jìn)行特征過(guò)濾，常用的池化方法有最大池化yij，max和平均池化yij，avg，操作公式為：

式中：yij為池化輸出第i行第j列元素；X i，j是池化輸入第i行第j列元素；k是池化窗口的尺寸；s為池化窗口移動(dòng)步長(zhǎng).

輸出結(jié)果經(jīng)過(guò)激活函數(shù)非線性處理和全連接層，由softmax層進(jìn)行分類類別預(yù)測(cè).

本文基于CNN 理論搭建了SCNet 模型，其基本思路是：首先總結(jié)一些分類神經(jīng)網(wǎng)絡(luò)的基本設(shè)計(jì)規(guī)律，即輸入—卷積—池化—全連接—輸出這樣的排列順序；其次對(duì)各層的數(shù)目進(jìn)行優(yōu)化調(diào)節(jié)，如利用三層卷積層相連，使用小卷積核等手段，增加感受野；最后使用ReLU 作為激活函數(shù)，使得訓(xùn)練效率和學(xué)習(xí)速率顯著提高，并利用Dropout 層來(lái)處理過(guò)擬合的問(wèn)題，使得網(wǎng)絡(luò)有更好的泛化能力.

2 構(gòu)建數(shù)據(jù)集

深度學(xué)習(xí)中，很多高識(shí)別率的網(wǎng)絡(luò)都得益于其龐大真實(shí)的樣本集，樣本圖像特征的準(zhǔn)確性及優(yōu)劣也直接影響到后續(xù)模型的訓(xùn)練和檢測(cè)識(shí)別.構(gòu)建神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集包括圖像數(shù)據(jù)的采集和數(shù)據(jù)增強(qiáng).本文數(shù)據(jù)集分為3 類：鋼筋混凝土銹蝕裂縫、其他原因引起的混凝土裂縫、完整混凝土.其中鋼筋混凝土銹蝕裂縫與其他因素引起的裂縫的主要區(qū)別在于：銹蝕裂縫有獨(dú)特的顏色特征（紅褐色銹痕），且鋼筋銹蝕裂縫表現(xiàn)為通長(zhǎng)的裂縫形狀，與沿梁長(zhǎng)的鋼筋（縱筋）的走向基本一致.而其他裂縫的特征是不規(guī)則龜裂或網(wǎng)狀開裂并伴隨透明或淡黃凝膠析出等.數(shù)據(jù)集包括訓(xùn)練集和測(cè)試集，二者的數(shù)據(jù)比例為4∶1.

2.1 原始圖像數(shù)據(jù)采集

采集原始圖像數(shù)據(jù)使用了網(wǎng)絡(luò)查找、自行拍攝、銹蝕試驗(yàn)3 種方法.其中網(wǎng)絡(luò)查找圖片210 張，自行拍攝圖片540 張，銹蝕試驗(yàn)拍攝圖片780 張，共1 530張.網(wǎng)絡(luò)查找的210張照片中，有90張為鋼筋銹蝕引起混凝土開裂的照片，60 張為其他原因引起混凝土開裂照片，60 張為完整混凝土照片；現(xiàn)場(chǎng)拍攝的540張照片中，100 張為鋼筋銹蝕引起照片，300 張為其他原因?qū)е禄炷灵_裂照片，140張為完整混凝土照片.為使圖片數(shù)據(jù)的特征清晰、明確，本文統(tǒng)一了圖片的拍攝標(biāo)準(zhǔn)，設(shè)定了圖像采集規(guī)范.首先相機(jī)要垂直于混凝土表面進(jìn)行拍攝，如圖2（b）所示，這樣不會(huì)產(chǎn)生幾何畸變，保證所有的圖片數(shù)據(jù)特征是在同一個(gè)拍攝環(huán)境下得到的.

圖2 混凝土圖片拍攝角度規(guī)范Fig.2 Specification for shooting angles of concrete pictures

拍攝距離也是影響圖像質(zhì)量的一個(gè)重要因素，距離遠(yuǎn)近決定著圖像的視野范圍的大小.在實(shí)際拍攝中，本文采用20 cm 的拍攝距離.離得太近會(huì)拍攝到一些干擾因素的圖像特征，如混凝土表面缺陷等，導(dǎo)致識(shí)別率與準(zhǔn)確率的降低；離得太遠(yuǎn)則會(huì)無(wú)法清晰拍攝裂縫特征.光照方面，自然光下圖像的背景變化較大，會(huì)有非均勻的背景亮度，故本文拍攝時(shí)加入一個(gè)均勻的輔助光照，來(lái)減小圖像的背景變化.

此外，本文還使用自行拍攝與網(wǎng)絡(luò)查找的方法.自行拍攝可以按照拍攝規(guī)范拍攝，直接用于構(gòu)建數(shù)據(jù)集，網(wǎng)絡(luò)查找圖片可能不符合采集規(guī)范，因此需要進(jìn)行圖片的縮放或亮度調(diào)節(jié)和矯正，使網(wǎng)絡(luò)查找圖片符合圖片采集規(guī)范，也保證了數(shù)據(jù)的多樣性，如圖3和圖4所示.

圖3 縮放、裁剪、矯正前后對(duì)比圖Fig.3 Comparison of pictures before and after the scaling adjustment

圖4 亮度調(diào)節(jié)和矯正前后對(duì)比圖Fig.4 Comparison of pictures before and after the brightness adjustment

2.2 鋼筋加速銹蝕試驗(yàn)數(shù)據(jù)采集

為得到鋼筋銹蝕引起混凝土裂縫數(shù)據(jù)，需進(jìn)行鋼筋加速銹蝕試驗(yàn)，共制備60 個(gè)鋼筋混凝土試件.混凝土強(qiáng)度等級(jí)為C30，試件尺寸為100 mm×100 mm×200 mm，在中心位置放置250 mm長(zhǎng)鋼筋.

采用半浸泡恒電流通電加速試驗(yàn)法，首先用打磨機(jī)打磨鋼筋外露部分，除去表面雜質(zhì)，然后利用環(huán)氧樹脂對(duì)外露鋼筋和導(dǎo)線粘連處進(jìn)行封閉處理，消除外露部分鋼筋銹蝕對(duì)加速銹蝕試驗(yàn)產(chǎn)生的額外影響.然后將電源正極連接待銹蝕鋼筋，電源負(fù)極連接不銹鋼片，把混凝土浸泡在濃度為5%的氯化鈉溶液中，接好電路后開始通電.鋼筋銹蝕產(chǎn)物積累會(huì)導(dǎo)致電流強(qiáng)度減小，所以每隔12 h 需要對(duì)通電線路進(jìn)行一次檢查和調(diào)整，以保持電流的穩(wěn)定.圖5 所示為加快試驗(yàn)進(jìn)度，采用并聯(lián)電路接法進(jìn)行批量鋼筋加速銹蝕試驗(yàn).一段時(shí)間后混凝土表面有鋼筋銹蝕產(chǎn)物生成，混凝土開裂，拍攝混凝土開裂后的照片作為數(shù)據(jù)集的部分原始數(shù)據(jù).

圖5 批量鋼筋加速銹蝕試驗(yàn)Fig.5 Accelerated corrosion test of rebar in batch

2.3 數(shù)據(jù)增強(qiáng)

在上述方法獲得數(shù)據(jù)的基礎(chǔ)上，本文利用OpenCV 的隨機(jī)裁剪、旋轉(zhuǎn)以及隨機(jī)色彩變換的方式實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)，以滿足訓(xùn)練對(duì)數(shù)據(jù)集大小的要求，其中旋轉(zhuǎn)操作的效果如圖6所示.

圖6 旋轉(zhuǎn)操作效果圖Fig.6 Rendering of rotation operation

經(jīng)過(guò)上述數(shù)據(jù)增強(qiáng)的方法達(dá)到了擴(kuò)充數(shù)據(jù)量的效果，一張?jiān)紙D片可以產(chǎn)生30 張圖片數(shù)據(jù)，剔除一些裂縫占比不夠大、明暗度不滿足要求的噪音圖片，并進(jìn)行統(tǒng)一尺寸和重命名處理就得到了最終數(shù)據(jù)集，共計(jì)39 000 張，其中3 個(gè)分類各13 000 張.將所有圖片數(shù)據(jù)的80%作為訓(xùn)練集樣本，共31 200張，20%作為測(cè)試集樣本，共7 800張.

3 銹蝕裂縫識(shí)別分類

本文利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行混凝土裂縫圖像分類，根據(jù)銹蝕裂縫具有紅褐色銹痕的獨(dú)特顏色以及產(chǎn)生沿縱筋的通長(zhǎng)裂縫這兩個(gè)特征，將數(shù)據(jù)集分為3類.具體分類方法是首先根據(jù)3 種不同分類給訓(xùn)練集樣本添加相對(duì)應(yīng)的標(biāo)簽0、1、2，再通過(guò)監(jiān)督學(xué)習(xí)將這些已知數(shù)據(jù)和其對(duì)應(yīng)的輸出標(biāo)簽進(jìn)行訓(xùn)練，調(diào)整參數(shù)，得到一個(gè)最優(yōu)模型.再利用這個(gè)模型將未知數(shù)據(jù)的所有輸入映射到相應(yīng)輸出，輸出對(duì)應(yīng)標(biāo)簽，得到分類結(jié)果，從而達(dá)到分類的目的.在得到網(wǎng)絡(luò)輸入之后，接著定義神經(jīng)網(wǎng)絡(luò)框架結(jié)構(gòu)，反復(fù)修改參數(shù)訓(xùn)練模型，逐步減小結(jié)果誤差，最后測(cè)試模型在未知數(shù)據(jù)上的表現(xiàn).

本文將深度學(xué)習(xí)CNN 的文件輸入、前向傳播過(guò)程、訓(xùn)練部分、測(cè)試部分拆分成了4 個(gè)獨(dú)立的程序.這樣解耦合可以更加方便地對(duì)每一個(gè)部分進(jìn)行獨(dú)立修改而不影響后續(xù)程序，而且也使整個(gè)流程更加靈活.

3.1 構(gòu)建網(wǎng)絡(luò)框架

經(jīng)過(guò)優(yōu)化調(diào)整，本文基于經(jīng)典分類神經(jīng)網(wǎng)絡(luò)VGG 設(shè)計(jì)了一種SCNet 模型，其網(wǎng)絡(luò)框架如圖7 所示.模型由輸入層、6個(gè)大卷積層、3個(gè)全連接層、Softmax 層及輸出層組成，其中大卷積層包括卷積層和池化層，第六個(gè)大卷積層只包括一次卷積作用.所有的卷積核大小都是3×3，步長(zhǎng)設(shè)置為1，池化操作的池化窗口大小都是2×2，步長(zhǎng)設(shè)置為2.輸入大小為224×224×3 的圖片，經(jīng)過(guò)6 層大卷積層的處理，變成了3×3×512 的尺寸作為全連接層的輸入，接著傳輸?shù)絊oftmax層判別圖片數(shù)據(jù)的分類.

圖7 SCNet網(wǎng)絡(luò)模型示意圖Fig.7 SCNet network model sketch map

SCNet 模型各層的尺寸參數(shù)及運(yùn)行后的圖片尺寸變化如表1所示.SCNet模型優(yōu)點(diǎn)主要有：使用3×3的小卷積核和2×2的池化窗口，增加了神經(jīng)網(wǎng)絡(luò)的感受野，并減少參數(shù)數(shù)量和計(jì)算量；25層的網(wǎng)絡(luò)深度較深，可以適當(dāng)提高識(shí)別精度；相比于VGG16，降低了一些卷積核數(shù)目及全連接層的通道數(shù)目，提高了網(wǎng)絡(luò)運(yùn)行速率，也比較適合本文的三分類問(wèn)題；在卷積層和全連接層后面通過(guò)ReLU 激活函數(shù)增加非線性，并在全連接層引入了Dropout，提高了網(wǎng)絡(luò)測(cè)試精度.

表1 SCNet模型的尺寸參數(shù)Tab.1 Size parameters of the SCNet model

3.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程包括定義損失函數(shù)的內(nèi)容表達(dá)形式、挑選反向傳播優(yōu)化算法、在網(wǎng)絡(luò)框架上一直輸入數(shù)據(jù)并運(yùn)行反向傳播算法直到誤差降到一定范圍.如圖8 所示，第一個(gè)階段是前向傳播階段即輸入數(shù)據(jù)的計(jì)算，統(tǒng)計(jì)最終誤差；第二個(gè)階段是反向傳播階段，是將實(shí)際輸出和理論輸出的誤差從高層次傳播到低層次的過(guò)程.

圖8 CNN訓(xùn)練過(guò)程Fig.8 CNN training process

本文為了提高模型的訓(xùn)練精度，優(yōu)化模型，在構(gòu)建神經(jīng)網(wǎng)絡(luò)框架時(shí)加入了激活函數(shù)和Dropout 層，在訓(xùn)練過(guò)程中使用了滑動(dòng)平均、正則化損失、反向傳播優(yōu)化算法、指數(shù)衰減學(xué)習(xí)率等優(yōu)化手段，從而提高SCNet模型對(duì)銹蝕裂縫識(shí)別的準(zhǔn)確率.

神經(jīng)網(wǎng)絡(luò)模型的測(cè)試過(guò)程也就是讓模型去判斷數(shù)據(jù)集樣本里的圖片數(shù)據(jù)屬于0、1、2 哪一個(gè)分類標(biāo)簽，然后把判斷的標(biāo)簽和真正的分類標(biāo)簽比較，統(tǒng)計(jì)標(biāo)簽判斷正確的圖片數(shù)，得到正確率.訓(xùn)練集的正確率就是訓(xùn)練精度，測(cè)試集的正確率就是測(cè)試精度.本文將測(cè)試程序與前幾個(gè)程序獨(dú)立開來(lái)，這樣就可以在訓(xùn)練過(guò)程中將測(cè)試程序作為一個(gè)子程序調(diào)用.每訓(xùn)練一個(gè)epoch 之后，先停止訓(xùn)練，利用測(cè)試程序和最新的模型進(jìn)行訓(xùn)練集和測(cè)試集的測(cè)試，分別得到當(dāng)前模型的訓(xùn)練精度和測(cè)試精度，接著在原先的模型上繼續(xù)訓(xùn)練下一個(gè)epoch.

3.3 結(jié)果分析

為了方便神經(jīng)網(wǎng)絡(luò)的調(diào)試與優(yōu)化，本文使用了TensorBoard 來(lái)清晰、高效地展示神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中計(jì)算圖的構(gòu)成和一些指標(biāo)隨時(shí)間變化的趨勢(shì).

一個(gè)神經(jīng)網(wǎng)絡(luò)的效果是通過(guò)其在測(cè)試數(shù)據(jù)上的表現(xiàn)來(lái)判斷的，因?yàn)槠渥罱K目的是判斷未知數(shù)據(jù)的分類結(jié)果.本文在神經(jīng)網(wǎng)絡(luò)每訓(xùn)練一個(gè)epoch并保存現(xiàn)有模型之后，都會(huì)驗(yàn)證這個(gè)模型在訓(xùn)練集樣本和測(cè)試集樣本上的準(zhǔn)確率并記錄下來(lái).

3.3.1 不同結(jié)構(gòu)框架網(wǎng)絡(luò)模型結(jié)果對(duì)比

網(wǎng)絡(luò)的結(jié)構(gòu)框架對(duì)深度學(xué)習(xí)CNN 至關(guān)重要，隱含層數(shù)目的多少、卷積層池化層的位置、全連接層的大小都會(huì)影響模型精度的高低.如圖9 所示，將SCNet 模型與經(jīng)典分類神經(jīng)網(wǎng)絡(luò)模型VGG16 在其他基本參數(shù)和訓(xùn)練超參數(shù)一致的情況下進(jìn)行對(duì)比.

圖9 兩種不同結(jié)構(gòu)框架模型的精度對(duì)比Fig.9 Comparison of the accuracy of two different structural frame models

對(duì)比兩個(gè)模型在數(shù)據(jù)集上的表現(xiàn)，可以看出雖然趨勢(shì)基本一致，但是本文設(shè)計(jì)的SCNet 模型在訓(xùn)練集和測(cè)試集上精度相較VGG16 模型更高，訓(xùn)練精度達(dá)到了98.5%，測(cè)試精度達(dá)到了96.8%.

3.3.2 不同優(yōu)化方法網(wǎng)絡(luò)模型結(jié)果對(duì)比

在訓(xùn)練過(guò)程中，本文使用了滑動(dòng)平均、激活函數(shù)、指數(shù)衰減學(xué)習(xí)率、正則化損失等優(yōu)化手段.為了判斷這些優(yōu)化方法所起到的作用，用控制變量法對(duì)比使用所有優(yōu)化方法的模型和不使用其中一項(xiàng)優(yōu)化方法的模型.圖10 所示是幾個(gè)神經(jīng)網(wǎng)絡(luò)模型在其他網(wǎng)絡(luò)參數(shù)和超參數(shù)一致的情況下，在裂縫數(shù)據(jù)集上訓(xùn)練25個(gè)epoch之后的訓(xùn)練精度和測(cè)試精度.

圖10 不同優(yōu)化方法模型對(duì)比Fig.10 Comparison of models using different optimization methods

可以明顯看出，由于在卷積層和全連接層使用了激活函數(shù)去線性化，相當(dāng)于對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了調(diào)整，最終模型的正確率有很大變化.不使用激活函數(shù)的正確率只有91.45%，遠(yuǎn)低于最終結(jié)果96.83%，這說(shuō)明神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)對(duì)模型的效果有本質(zhì)影響.由于模型在裂縫數(shù)據(jù)集上收斂速度較快，所以滑動(dòng)平均和指數(shù)衰減學(xué)習(xí)率這兩種優(yōu)化方法起到的作用不是很明顯.是否使用正則化損失的模型正確率相差也較大，在前文中已經(jīng)提到，正則化可以有效防止過(guò)擬合.只要有交叉熵?fù)p失就不能很好地?cái)M合數(shù)據(jù)特征去分類測(cè)試數(shù)據(jù)，所以使用了正則化和交叉熵?fù)p失之和的優(yōu)化模型在測(cè)試集上準(zhǔn)確率更高.

3.3.3 不同訓(xùn)練超參數(shù)網(wǎng)絡(luò)模型結(jié)果對(duì)比

模型超參數(shù)由試驗(yàn)者手動(dòng)指定，神經(jīng)網(wǎng)絡(luò)不能直接從內(nèi)部數(shù)據(jù)估計(jì)得到.對(duì)于模型超參數(shù)的最優(yōu)值沒(méi)有確切理論，只有大量的試驗(yàn)加上經(jīng)驗(yàn)判斷，根據(jù)模型的分類準(zhǔn)確結(jié)果來(lái)進(jìn)行調(diào)整.本文構(gòu)建的SCNet模型超參數(shù)主要有：指數(shù)衰減學(xué)習(xí)率的初始學(xué)習(xí)率、批次大小batchsize、反向傳播優(yōu)化器、訓(xùn)練epoch次數(shù).

神經(jīng)網(wǎng)絡(luò)模型在其他網(wǎng)絡(luò)參數(shù)和超參數(shù)一致的情況下，改變某一個(gè)超參數(shù)，在裂縫數(shù)據(jù)集上訓(xùn)練25個(gè)epoch 之后得到的訓(xùn)練精度和測(cè)試精度如圖11所示.

圖11 不同訓(xùn)練超參數(shù)模型對(duì)比Fig.11 Comparison of different training hyperparameter models

按照經(jīng)驗(yàn)分別取初始學(xué)習(xí)率為0.8、0.1、0.05、0.01、0.005，對(duì)比發(fā)現(xiàn)初始學(xué)習(xí)率取0.01 模型的正確率最高；分別取batchsize 為24、32、48、56、64，對(duì)比發(fā)現(xiàn)batchsize 取32 模型的正確率最高；分別取反向傳播優(yōu)化器為梯度下降法和Adam 優(yōu)化算法，對(duì)比訓(xùn)練結(jié)果發(fā)現(xiàn)梯度下降法在數(shù)據(jù)集上正確率較高；分別取訓(xùn)練epoch次數(shù)為10、15、20、25、30，對(duì)比發(fā)現(xiàn)訓(xùn)練25個(gè)epoch之后正確率已經(jīng)達(dá)到峰值，后續(xù)只是不斷波動(dòng)，所以本文采取訓(xùn)練epoch次數(shù)為25.

4 可測(cè)性研究

為了研究光照強(qiáng)度、明暗變化和圖像扭曲等各種問(wèn)題及噪音對(duì)本方法可測(cè)性影響，將本文構(gòu)建的SCNet模型與兩種傳統(tǒng)的檢測(cè)方法Sobel邊緣檢測(cè)方法和Canny邊緣檢測(cè)方法進(jìn)行對(duì)比.分析3種方法在不同環(huán)境下的檢測(cè)結(jié)果，對(duì)比討論本文構(gòu)建的SCNet模型在不同環(huán)境條件下的可測(cè)性.

像素點(diǎn)周圍灰度有巨大變化的叫作邊緣，而圖片邊緣包含著圖像的重要特征，圖片的邊緣是其最基礎(chǔ)特征，所以確定并提取圖像邊緣對(duì)于整個(gè)場(chǎng)景的識(shí)別和分類至關(guān)重要.對(duì)圖片的灰度變化的測(cè)量、檢測(cè)和定位就叫作邊緣檢測(cè).初級(jí)階段中視覺(jué)系統(tǒng)先會(huì)把圖片背景和邊緣分離出來(lái)，然后才是圖像細(xì)節(jié)的感知［16］.

作為一個(gè)離散一階差分算子，Sobel 算子的重要作用是獲得亮度函數(shù)的一階梯度近似值.Sobel 算子的主要計(jì)算方法是灰度線性加權(quán)算法，是將需要計(jì)算的像素點(diǎn)的周圍像素點(diǎn)進(jìn)行加權(quán)，在圖像邊緣處取得極值，利用這種特征進(jìn)行邊緣檢測(cè).Sobel 算子也會(huì)將噪音誤測(cè)成圖像邊緣，有著較低的邊緣定位精度.Canny 邊緣檢測(cè)方法于1986 年由Canny［17］提出，這是一種提取不同視覺(jué)系統(tǒng)中的有效信息，同時(shí)削減了分析數(shù)據(jù)量的邊緣檢測(cè)方法，已經(jīng)得到廣泛應(yīng)用.

選取4 幅不同環(huán)境下的裂縫照片，第一張照片使用正常均勻照明，第二張照片局部有強(qiáng)光，第三張照片有陰影，第四張存在圖像扭曲.對(duì)4 張照片分別進(jìn)行SCNet 模型識(shí)別、Canny 邊緣檢測(cè)識(shí)別和Sobel邊緣檢測(cè)識(shí)別.分析3 種方法在不同環(huán)境下的檢測(cè)結(jié)果，對(duì)比討論本文構(gòu)建的SCNet 模型在不同環(huán)境條件下的可測(cè)性.

圖12和圖13所示是在均勻光照、局部有強(qiáng)光的情況下3 種方法的處理結(jié)果，可以看出本文提出的SCNet 模型方法正確輸出了鋼筋混凝土銹蝕裂縫對(duì)應(yīng)的標(biāo)簽，可以很好地分類圖像；而Canny 邊緣檢測(cè)方法受到極大干擾，將大量噪音也識(shí)別為邊緣，無(wú)法提供有效信息；Sobel 邊緣檢測(cè)方法可以提供一些裂縫信息，但同樣受到噪音嚴(yán)重干擾.

圖12 均勻照明下裂縫圖片處理結(jié)果對(duì)比Fig.12 Comparison of cracks image processing results under uniform illumination

圖13 局部強(qiáng)光下裂縫圖片處理結(jié)果對(duì)比Fig.13 Comparison of cracks image processing results under localized strong light

圖14 和圖15 所示，在裂縫照片有陰影、扭曲的情況下，SCNet 模型方法可以不受干擾，正確輸出鋼筋混凝土銹蝕裂縫所對(duì)應(yīng)的標(biāo)簽；而Canny 邊緣檢測(cè)方法在受到陰影和扭曲干擾時(shí)完全失去了邊緣特征，不能作為分類手段；Sobel 邊緣檢測(cè)方法也極大地受到了陰影和扭曲的干擾，判斷不了黑暗區(qū)域是由圖像損壞還是由噪音引起，不能很好地對(duì)混凝土照片進(jìn)行分類.

圖14 有陰影裂縫圖片處理結(jié)果對(duì)比Fig.14 Comparison of cracks image processing results with shadows

這幾種情況的分類結(jié)果表明，在正常均勻光照的情況下兩種傳統(tǒng)檢測(cè)方法可以提供一些裂縫信息和邊緣特征，但是在受到局部強(qiáng)光、陰影、扭曲等干擾的情況下，兩種傳統(tǒng)方法很難達(dá)到識(shí)別效果.所以傳統(tǒng)方法的性能受到圖像條件的制約和影響，而本文所提出的SCNet 模型分類方法則不受圖像條件的干擾，在各種情況下都能表現(xiàn)出相對(duì)穩(wěn)定的分類性能.

但目前SCNet 模型識(shí)別裂縫仍有局限性，如對(duì)拍攝的圖片要求比較高，光照不能太亮或太暗等；混凝土不能有干擾顏色或者類似裂縫的物體；圖片分割后每張圖片僅能識(shí)別單個(gè)裂縫等.

5 結(jié)論

本文基于深度學(xué)習(xí)CNN提出一種用于鋼筋混凝土銹蝕裂縫識(shí)別的SCNet 三分類模型，主要結(jié)論如下：

1）設(shè)定了統(tǒng)一的圖片數(shù)據(jù)采集流程和拍攝標(biāo)準(zhǔn)，使圖片數(shù)據(jù)的特征清晰、明確，方便后續(xù)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試分類.

2）利用TensorFlow 和Python 構(gòu)建了一個(gè)混凝土銹蝕圖像識(shí)別分類的CNN 模型SCNet，并具有較高的識(shí)別率.

3）以往將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于混凝土裂縫識(shí)別只能實(shí)現(xiàn)對(duì)裂縫的二分類，本文提出的SCNet 模型可以識(shí)別完整混凝土、混凝土銹蝕裂縫、其他原因引起的混凝土裂縫，實(shí)現(xiàn)了對(duì)鋼筋混凝土裂縫的三分類.

4）比較了SCNet模型與兩種傳統(tǒng)邊緣檢測(cè)方法在不同環(huán)境下的檢測(cè)效果，結(jié)果表明SCNet 模型方法相對(duì)于兩種傳統(tǒng)檢測(cè)方法在不同環(huán)境條件下都有更好的穩(wěn)定性與可測(cè)性，受圖像噪音干擾較小.