基于遺傳神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)跑道局部影響的裂縫檢測(cè)算法

陳俁秀，高建民，賀青青，高建國(guó)

(1.中國(guó)民航大學(xué) 交通科學(xué)與工程學(xué)院，天津 300300；2.長(zhǎng)安大學(xué) 理學(xué)院，西安 710064)

0 引言

隨著“民航強(qiáng)國(guó)”的大力踐行，機(jī)場(chǎng)建設(shè)發(fā)展迅速，截止2020年底，我國(guó)民用航空運(yùn)輸機(jī)場(chǎng)共有241座[1-2]。裂縫通常作為道面檢測(cè)中最常見(jiàn)的危害之一，嚴(yán)重影響著機(jī)場(chǎng)形象和飛機(jī)起降滑行的安全性。如若不及時(shí)對(duì)初期形成的裂縫進(jìn)行修補(bǔ)，任由其擴(kuò)大或者雨水和FOD(外來(lái)?yè)p害物)沿著裂縫進(jìn)入路基，進(jìn)一步破壞跑道內(nèi)部結(jié)構(gòu)，對(duì)飛機(jī)起降將造成較大安全隱患[3-4]。

目前中外學(xué)者對(duì)機(jī)場(chǎng)道面裂縫檢測(cè)做了很多的研究，其中，基于可見(jiàn)光的圖像識(shí)別方法有很多，大多采用區(qū)域生長(zhǎng)[5-6]、注意力機(jī)制[7-8]、卷積神經(jīng)網(wǎng)絡(luò)[9-11]、貝葉斯[12-13]、BP神經(jīng)網(wǎng)絡(luò)[14]等。遺傳神經(jīng)網(wǎng)絡(luò)屬于啟發(fā)式算法，是基于達(dá)爾文優(yōu)勝劣汰原理的迭代自適應(yīng)概率搜索算法，具有不錯(cuò)的全局尋優(yōu)能力，魯棒性強(qiáng)，是目前應(yīng)用最廣泛、技術(shù)相對(duì)成熟的優(yōu)化算法之一。李海豐[15]等提出一種多傳感器融合的裂縫檢測(cè)方法，通過(guò)差分法檢測(cè)和多種數(shù)學(xué)形態(tài)學(xué)約束獲得裂縫檢測(cè)結(jié)果。吳治龍[16]等人采用自適應(yīng)閾值方法分割出候選裂縫，但由于道面背景復(fù)雜和噪音干擾，檢測(cè)精度還有可提升空間。韓紅陽(yáng)[17]等人利用注意力機(jī)制更加專(zhuān)注細(xì)帶狀結(jié)構(gòu)病害區(qū)域，在確定性網(wǎng)絡(luò)的基礎(chǔ)上引入額外的殘差塊來(lái)提取特征，結(jié)果表明mAP(平均精度)達(dá)到78.51%。張世瑤[18]等人使用卷積神經(jīng)網(wǎng)絡(luò)分割裂縫原始圖像，將裂縫面積的精準(zhǔn)度提升到了93%，但無(wú)法檢測(cè)出細(xì)小、連續(xù)裂縫，因此存在漏檢率相對(duì)較高的情況。陳澤斌[19]對(duì)U網(wǎng)絡(luò)模型構(gòu)架進(jìn)行了調(diào)整，大大提高了識(shí)別精度和泛化能力，在公路裂縫檢測(cè)領(lǐng)域取得了較大突破，但需要大量數(shù)據(jù)樣本進(jìn)行訓(xùn)練，并不適合應(yīng)用于機(jī)場(chǎng)跑道的裂縫采集。在裂縫檢測(cè)領(lǐng)域，如基于深度神經(jīng)網(wǎng)絡(luò)的裂縫檢測(cè)，基于卷積神經(jīng)網(wǎng)絡(luò)的裂縫檢測(cè)等，這些研究表明神經(jīng)網(wǎng)絡(luò)在裂縫檢測(cè)領(lǐng)域具有廣闊的應(yīng)用前景，為后續(xù)學(xué)者提供了研究思路。綜合近年來(lái)的研究成果，雖然在檢測(cè)精度、效率上相較于早期的檢測(cè)模型均有較大的突破，但在應(yīng)對(duì)背景相似度很大且噪音干擾的裂縫檢測(cè)效果不理想，存在的效率和精度難以兼顧的問(wèn)題。

本文以伴有陰影和光照不均勻的機(jī)場(chǎng)道面裂縫圖像為研究目標(biāo)，針對(duì)現(xiàn)有研究存在的效率和精度難以兼顧的問(wèn)題，提出了一種利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)道面裂縫檢測(cè)算法。首先，將拍攝的機(jī)場(chǎng)道面裂縫圖像進(jìn)行預(yù)處理，包括圖像灰度化、高斯濾波以及ROI區(qū)域確定。其次，設(shè)定神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，初始化編碼長(zhǎng)度以權(quán)值閾值及等參數(shù)，利用選擇、交叉和變異等操作反復(fù)執(zhí)行至最佳進(jìn)化解，最后在此基礎(chǔ)上搭建匹配的神經(jīng)網(wǎng)絡(luò)，獲得最大分割閾值。通過(guò)仿真研究驗(yàn)證，以遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)為框架核心，能夠?qū)Φ妥R(shí)別度圖像進(jìn)行快速準(zhǔn)確的檢測(cè)。利用該方法能夠更加高效地檢測(cè)出機(jī)場(chǎng)道面的裂縫，同時(shí)在一定程度上提升檢測(cè)精度，從而提高維修人員的工作效率。

1 圖像預(yù)處理

1.1 圖像采集

對(duì)于每一類(lèi)路面狀況，圖像樣本已準(zhǔn)備好確保模型的泛化。為驗(yàn)證本文方法的科學(xué)性和準(zhǔn)確性，選取了某停機(jī)坪部分機(jī)場(chǎng)跑道道面數(shù)據(jù)，如圖1所示。這些測(cè)試圖像顯示了額外的退化、缺陷和特征，這將使裂紋特征的檢測(cè)更加困難。本文使用Matlab將裂縫原圖轉(zhuǎn)化為矩陣形式，從灰度圖、高斯濾波和ROI區(qū)域確定等方面對(duì)裂縫圖像進(jìn)行特征分析，以便后期遺傳神經(jīng)網(wǎng)絡(luò)算法提取圖像特征值。

圖1 機(jī)場(chǎng)道面常見(jiàn)的裂縫

1.2 灰度化

本文所采集的機(jī)場(chǎng)地面裂縫圖像為彩色RGB圖像，而對(duì)機(jī)場(chǎng)道面裂縫進(jìn)行提取無(wú)需顏色特征信息，因此對(duì)采集到的圖像進(jìn)行灰度化處理，來(lái)降低圖像原始數(shù)據(jù)量，如圖2所示為3種灰度化處理方法。加權(quán)平均法根據(jù)R、G、B三通道的重要性對(duì)其亮度進(jìn)行加權(quán)平均，理論上W=0.30，V=0.59，U=0.11效果最佳，計(jì)算公式如下：

圖2 原始圖像灰度化處理

(1)

平均值法選用R、B、G通道中的平均值作為最終灰度值。公式如下：

(2)

式中，R(i，j)、B(i，j)、G(i，j)分別為R、B、G通道中像素點(diǎn)的灰度值。

由于本文選擇的處理對(duì)象為機(jī)場(chǎng)道面的裂縫，imshow處理的結(jié)果能夠滿(mǎn)足一般的圖像處理需求，但相較于加權(quán)平均法整體偏白，平均值法在對(duì)比度上較差，經(jīng)對(duì)比得出加權(quán)平均法處理的效果最好，圖片對(duì)比度也得到了明顯提升。

1.3 高斯濾波

為避免中值濾波導(dǎo)致的圖像目標(biāo)不連續(xù)，也能夠盡可能地保留圖像的總體灰度分布特性，本文采用高斯濾波來(lái)解決抑制服從正態(tài)分布的高斯噪聲[20-21]，適用于機(jī)場(chǎng)道面圖像處理，可表示為：

(3)

式中，Ig(x，y)為像素點(diǎn)(x，y)經(jīng)高斯濾波后的灰度；I(xo，yo)為像素點(diǎn)(xo，yo)處的灰度；wx，y為中心像素(x，y)的鄰域；wd(xo，yo)為相似度權(quán)重因子。

基于MATLAB中具有平滑性能的高斯濾波器，運(yùn)用某些數(shù)學(xué)運(yùn)算平滑地變化進(jìn)而避免了圖像退化過(guò)程中信息量的丟失，對(duì)復(fù)原圖像進(jìn)行后續(xù)處理[20]。建立基于卷積平滑的低通濾波器，訪問(wèn)圖像中每個(gè)像素值。圖3對(duì)比了原圖像直方圖、對(duì)比度受限自適應(yīng)直方圖均衡后的直方圖和高斯濾波后的直方圖，可以看出：預(yù)處理步驟對(duì)圖像進(jìn)行了分析很好地去掉噪聲像素點(diǎn)，進(jìn)一步提高圖像質(zhì)量，突出圖像特征。

圖3 機(jī)場(chǎng)道面圖像直方圖對(duì)比(柱形為灰度出現(xiàn)次數(shù)，曲線為累計(jì)百分?jǐn)?shù))

1.4 ROI區(qū)域確定

在獲取機(jī)場(chǎng)道面裂縫圖像過(guò)程中，難以避免拍攝到機(jī)場(chǎng)道面，這無(wú)疑增加了裂縫提取的工作量，在不損失圖像質(zhì)量的前提下，減少存儲(chǔ)空間，因此用ROI區(qū)域?qū)D像裂縫進(jìn)行提取至關(guān)重要。對(duì)上一步的處理結(jié)果進(jìn)行分析，由圖4(a)可見(jiàn)裂縫周?chē)奂罅?值像素點(diǎn)，圖4(b)和(c)中選取裂縫周?chē)?值像素點(diǎn)數(shù)量最大列為截取區(qū)域，極大地剔除了裂縫背景中道面信息的干擾。步驟如下：1)輸入并讀取原圖像，創(chuàng)建可變形矩陣；2)結(jié)合imrect和imcrop函數(shù)實(shí)現(xiàn)截取功能；3)根據(jù)裂縫的形狀、紋理等底層特征，利用圖像分割技術(shù)勾選感興趣區(qū)域，并改變矩形框大小；4)保存ROI圖像，為后續(xù)坐標(biāo)轉(zhuǎn)換回愿圖像坐標(biāo)值準(zhǔn)備。

圖4 高斯濾波后灰度化圖像

2 遺傳神經(jīng)網(wǎng)絡(luò)

2.1 遺傳神經(jīng)網(wǎng)絡(luò)的建立

本文通過(guò)對(duì)大量的機(jī)場(chǎng)道面裂縫進(jìn)行圖像預(yù)處理，得出裂縫具有連通性的特點(diǎn)。遺傳算法可以在不需要確定規(guī)則的前提下，自動(dòng)獲取和優(yōu)化搜尋空間，并且具有較強(qiáng)的魯棒性，相較于BP神經(jīng)網(wǎng)絡(luò)，在對(duì)裂縫的提取和分割上有更好的效果。遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)一般需要初始化、計(jì)算種群適應(yīng)值找出最優(yōu)個(gè)體、交叉運(yùn)算以及終止條件的確定等步驟，算法流程圖如圖5所示。

圖5 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)流程圖

算法執(zhí)行步驟如下：

1)導(dǎo)入數(shù)據(jù)，對(duì)裂縫原圖進(jìn)行高斯濾波、灰度化等預(yù)處理。

2)參數(shù)初始化，將問(wèn)題的解編碼成有限長(zhǎng)度的字符串，并將其映射到算法的搜索空間中。

3)確定編碼后，生成初始種群并不斷產(chǎn)生適應(yīng)度越來(lái)越高的新種群。

4)執(zhí)行遺傳算法，根據(jù)適應(yīng)值選擇復(fù)制個(gè)體，交叉?zhèn)€體以及變異點(diǎn)，并將其添加到新群體中，獲得最優(yōu)解。

5)將遺傳算法得到的最優(yōu)解碼賦予神經(jīng)網(wǎng)絡(luò)，用該網(wǎng)絡(luò)擬合非線性函數(shù)。

6)網(wǎng)絡(luò)進(jìn)化參數(shù)，把最優(yōu)初始閾值權(quán)值賦予網(wǎng)絡(luò)訓(xùn)練。

7)獲取最優(yōu)權(quán)值閾值后，神經(jīng)網(wǎng)絡(luò)進(jìn)行正反向?qū)W習(xí)，計(jì)算誤差并更新權(quán)值閾值。

8)輸出分割后的二值化圖像。

2.1.1 初始種群的產(chǎn)生

遺傳算法的起始點(diǎn)是以初始串結(jié)構(gòu)的形式開(kāi)始迭代的。合適的初始種群大小才能使算法達(dá)到最佳運(yùn)行效果，較小的初始種群量可以提高算法的訓(xùn)練速度，但也會(huì)導(dǎo)致尋優(yōu)空間的分布范圍過(guò)小，串結(jié)構(gòu)的多樣性過(guò)低；當(dāng)較大的初始種群量則導(dǎo)致計(jì)算冗雜、運(yùn)行效率降低，使得一些高適應(yīng)度的串結(jié)構(gòu)被錯(cuò)誤的排除，影響遺傳。故本文中初始種群的種群大小為100。

2.1.2 編碼

編碼問(wèn)題在很大程度上決定了變異和交叉算子以及遺傳計(jì)算的效率[22]。本文采用多參數(shù)級(jí)聯(lián)定點(diǎn)映射編碼來(lái)解決裂縫圖像中多實(shí)數(shù)函數(shù)的優(yōu)化問(wèn)題。首先設(shè)置隱層神經(jīng)元數(shù)量為S1=6，并將前S1個(gè)編碼作為輸入層到隱藏層的權(quán)值。隱藏層到輸出層權(quán)值的編碼為S1×S2，第R×S1+S1×S2個(gè)后的編碼為輸入層到隱藏層閾值，第R×S1+S1×S2+S1個(gè)后的編碼為隱藏層到輸出層閾值，最后計(jì)算出S1與S2的輸出；整個(gè)遺傳算法編碼長(zhǎng)度為S=R*S1+S2+S1+S2。

設(shè)整體位串構(gòu)成的種族數(shù)為N，第p代的第j個(gè)(1

(4)

相關(guān)誤差滿(mǎn)足：

X1=x(i)p(i)+x(i+si+s2)

(5)

(6)

2.2 確定適應(yīng)值函數(shù)

適應(yīng)度函數(shù)的確定是遺傳算法的設(shè)計(jì)要素之一。適應(yīng)度的解越大，該個(gè)體被保留的可能性越大，解的質(zhì)量也就越好。隱層的傳遞函數(shù)為T(mén)ansig，輸出層的傳遞函數(shù)為Purelin。

(7)

識(shí)別參數(shù)與真實(shí)的輸出參數(shù)之間的擬合值為n+1。n值越大，適應(yīng)值函數(shù)的可靠性相應(yīng)越高，cmax值是一足夠大的正數(shù)，它與最優(yōu)適應(yīng)值有關(guān)。

對(duì)每個(gè)求出的種群個(gè)體適應(yīng)值進(jìn)行規(guī)范化處理，其平均適應(yīng)值為：

(8)

規(guī)范化適值為：

(9)

本文算法的特征提取網(wǎng)絡(luò)結(jié)構(gòu)擁有3個(gè)隱藏層和一個(gè)輸出層，隱層擁有6個(gè)神經(jīng)元，理論上隱含層的層數(shù)越多，算法的擬合度也會(huì)隨之提高，運(yùn)行結(jié)果也會(huì)越好，但是過(guò)多的隱含層層數(shù)可能給算法帶來(lái)過(guò)擬合等問(wèn)題。本文采用隨機(jī)分配將數(shù)字矩陣劃分為訓(xùn)練樣本、驗(yàn)證集和測(cè)試集。訓(xùn)練方法采用L-M算法和損失函數(shù)。在神經(jīng)網(wǎng)絡(luò)運(yùn)行過(guò)程中，算法的學(xué)習(xí)速率決定了系統(tǒng)的穩(wěn)定性和訓(xùn)練周期的長(zhǎng)短，本文默認(rèn)學(xué)習(xí)率為0.01。圖6給出了遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)過(guò)程。

圖6 BP神經(jīng)網(wǎng)絡(luò)特征提取圖

2.3 停機(jī)條件

遺傳算法是通過(guò)多次迭代逐步接近最優(yōu)解的，通常情況下以遺傳的代數(shù)，即迭代次數(shù)作為停止進(jìn)化的信號(hào)。本文迭代次數(shù)為500，在運(yùn)算速度和效率中選了一個(gè)合適的迭代次數(shù)，當(dāng)?shù)_(dá)到500次時(shí)，運(yùn)算停止，初始種群將不再進(jìn)行迭代。

3 試驗(yàn)分析

3.1 算法識(shí)別結(jié)果

隨著個(gè)體數(shù)目的遞增，綜合評(píng)價(jià)指標(biāo)變化如表1所示。

表1 不同個(gè)體數(shù)目的綜合評(píng)價(jià)指標(biāo)

由表可知，個(gè)體數(shù)目取40的時(shí)候綜合評(píng)價(jià)指標(biāo)取得了最大值，大于40后由于模型的過(guò)度學(xué)習(xí)導(dǎo)致綜合評(píng)價(jià)指標(biāo)不降反增，因此本文取個(gè)體數(shù)目為40；根據(jù)不同的參數(shù)調(diào)整遺傳代數(shù)，得到綜合評(píng)價(jià)指標(biāo)如表2所示，由此可知遺傳代數(shù)在100時(shí)得到的綜合評(píng)價(jià)指標(biāo)最大?；诖?，本實(shí)驗(yàn)中個(gè)體數(shù)目設(shè)為40，遺傳代數(shù)取100。

表2 不同遺傳代數(shù)的綜合評(píng)價(jià)指標(biāo)

彭明星[22]等人在圖像邊緣檢測(cè)中提出了遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的相關(guān)經(jīng)驗(yàn)參數(shù)。故本文中遺傳神經(jīng)網(wǎng)絡(luò)允許的迭代次數(shù)最大為500次，在17步收斂到目標(biāo)值；平均運(yùn)行時(shí)間為4秒；實(shí)際誤差為5.0642e-06；最小適應(yīng)值為0.000 01；最小誤差為0.000 01；激活函數(shù)為tansig；染色體長(zhǎng)度14；適應(yīng)度函數(shù)獨(dú)立變量的個(gè)數(shù)為9；標(biāo)準(zhǔn)差為1.6，變異概率0.000 1；交叉概率為0.1；輸入范圍[0～255]；輸出范圍[0～1]；權(quán)值變化范圍[-1，1]；偏置變化范圍[-0.5，0.5]。

根據(jù)遺傳神經(jīng)網(wǎng)絡(luò)處理的二值圖像，得到縱向裂縫、橫向裂縫、傾斜裂縫的投影圖及其規(guī)律。然后我們建立了一個(gè)笛卡爾坐標(biāo)系，X軸是行數(shù)，Y軸是灰度值之和。例如，在圖7(a)中，灰度值在Y軸(X軸)上的投影趨于穩(wěn)定在0以上。而在X軸(Y軸)有一個(gè)明顯的峰值，表明縱向(橫向)存在裂紋。在圖7(b)中，Y軸上的灰度值投影稍有波動(dòng)，而X軸上的灰度值有一個(gè)峰值，明顯高于Y軸上的灰度值，表明傾斜方向存在裂紋。其中，因?yàn)榛炷翞榉蔷鶆虿牧弦资苌皾{和滲水干擾，局部骨料過(guò)大，振搗不均勻，導(dǎo)致了峰值的存在。若傾斜裂紋的擴(kuò)展方向出現(xiàn)劈裂裂紋和網(wǎng)狀裂紋，則灰度值的投影將根據(jù)原始趨勢(shì)出現(xiàn)峰值，如圖7所示。

圖7 不同形狀的裂紋投影

3.2 數(shù)值測(cè)試

本文實(shí)驗(yàn)環(huán)境采用Inter(R)core(TM)i5-4210H處理器，Nvidia-GTX-850M顯卡，應(yīng)用環(huán)境：Matlab2021b。選取若干張不同背景環(huán)境下的機(jī)場(chǎng)道面裂縫圖像作為測(cè)試對(duì)象，裂縫圖像包括橫向裂縫、縱向裂縫以及網(wǎng)狀裂縫。

選取區(qū)域生長(zhǎng)、BP算法、貝葉斯算法、groundtruth和遺傳神經(jīng)網(wǎng)絡(luò)算法作為對(duì)比模型進(jìn)行仿真測(cè)試，在準(zhǔn)確率、召回率指標(biāo)和綜合評(píng)價(jià)指標(biāo)的平均值如表3所示。由此可知，本文算法 在P值、R值和F-measure上均明顯優(yōu)于其他3種算法。遺傳神經(jīng)網(wǎng)絡(luò)算法在P值、R值和F-measure上的質(zhì)量評(píng)估結(jié)果分別集中在80%～100%、 80%～100%和80%～100%，評(píng)估結(jié)果處于較高分布范圍，如圖8所示。其P、R和F-measure對(duì)應(yīng)公式如下：

表3 各圖像分割算法評(píng)價(jià)指標(biāo)

圖8 不同算法的平均準(zhǔn)確率、召回率、F值

(10)

(11)

(12)

P為準(zhǔn)確率，R為召回率，F(xiàn)-measure為綜合評(píng)價(jià)指標(biāo)。

通過(guò)式(13)得到的提取裂縫結(jié)果如圖9(c)所示。與傳統(tǒng)的二值化結(jié)果比較可以看出：該方法對(duì)低識(shí)別度圖像實(shí)現(xiàn)了較好的實(shí)現(xiàn)了精準(zhǔn)分割，但是由于裂縫旁的斑點(diǎn)直徑大于裂縫寬度，所以也被保留了下來(lái)。若要去除斑點(diǎn)，可以采用將斑點(diǎn)寬直徑(即單個(gè)斑點(diǎn)中任意兩點(diǎn)間的最大距離)與斑點(diǎn)面積的比值作為結(jié)構(gòu)元進(jìn)行去除。由于裂縫有著細(xì)長(zhǎng)的特點(diǎn)，即寬直徑D與面積S之比很大，而圖像中的斑點(diǎn)接近于圓形，因此D與S之比滿(mǎn)足：

圖9 裂縫二值化與提取

(13)

在二值圖像中，灰度值為1的區(qū)域?yàn)榱芽p，灰度值為0的區(qū)域?yàn)楸尘?。在圖10中，①為其他災(zāi)害，②為光照不均勻的比例。我們將遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法與貝葉斯、區(qū)域生長(zhǎng)、BP算法、ground truth等方法進(jìn)行比較，并進(jìn)一步改進(jìn)二值圖像。原始圖像如圖10(a)、(b)、(c)所示。相機(jī)產(chǎn)生的不均勻光照和復(fù)雜噪聲影響了機(jī)場(chǎng)道面裂縫特征提取的效率。一個(gè)單一的閾值錯(cuò)誤地將陰影設(shè)置為目標(biāo)分?jǐn)?shù)如圖10(o)所示。機(jī)場(chǎng)道面裂縫周?chē)０橛蠪OD、照度不均勻、滲水等干擾，這些干擾會(huì)導(dǎo)致裂紋提取中的毛刺、其他非裂紋特征以及非真實(shí)裂紋圖像的二值化結(jié)果如圖10(g)、(h)、(i)所示。此外，Wang 等[23]利用膨脹和腐蝕操作從隧道圖像中提取裂縫，這些不推薦的形態(tài)操作將改變機(jī)場(chǎng)道面裂縫像素的長(zhǎng)度和寬度。從圖10(p)、(q)、(r)可以看出，遺傳神經(jīng)網(wǎng)絡(luò)相較于其他幾種傳統(tǒng)檢測(cè)算法，在不同干擾和局部陰影的狀況下均具備了更優(yōu)的檢測(cè)精度和魯棒性，進(jìn)一步證明選擇遺傳算法作為所提模型的基礎(chǔ)算法能確保模型能夠擁有更高的下限。

圖10 機(jī)場(chǎng)道面裂縫識(shí)別結(jié)果

在沒(méi)有干擾和局部陰影的狀況下，4組模型均能較好地提取出裂縫形狀，即召回裂縫類(lèi)別的比例較好。但貝葉斯算法的準(zhǔn)確率和綜合評(píng)價(jià)指標(biāo)平均值僅為7.91%，較其余3種模型仍有較大提升空間，而遺傳神經(jīng)網(wǎng)絡(luò)在綜合評(píng)價(jià)指標(biāo)方面相較于區(qū)域生長(zhǎng)提高了15%，對(duì)比BP神經(jīng)網(wǎng)絡(luò)提高了13%，平均檢測(cè)時(shí)間為18.22 s，遠(yuǎn)高于貝葉斯的32.31 s和區(qū)域生長(zhǎng)的38.38 s，這說(shuō)明本文算法在處理局部陰影下的裂縫圖像時(shí)具有較強(qiáng)的效率和精度，較好的滿(mǎn)足了工程和科研的要求。

4 結(jié)束語(yǔ)

本文以伴有陰影和光照不均勻的機(jī)場(chǎng)道面裂縫圖像為研究目標(biāo)，針對(duì)現(xiàn)有研究存在的效率和精度難以兼顧的問(wèn)題，提出了一種利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)道面裂縫檢測(cè)算法，通過(guò)準(zhǔn)確率、召回率、綜合評(píng)價(jià)三項(xiàng)指標(biāo)證明了遺傳神經(jīng)網(wǎng)絡(luò)具有較好的檢測(cè)性能。

1)在訓(xùn)練準(zhǔn)則和網(wǎng)絡(luò)權(quán)系數(shù)的優(yōu)化方面，提高了神經(jīng)網(wǎng)絡(luò)的迭代速率和權(quán)系數(shù)優(yōu)化速度，保證了遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性和效率。同時(shí)，在綜合評(píng)價(jià)、召回率、和準(zhǔn)確率3個(gè)評(píng)價(jià)指標(biāo)上也具有顯著提升，其均值分別為91.28%、85.75%、88.22%，具有很好的收斂性和魯棒性。較好的滿(mǎn)足了工程和科研的要求。

2)與其他圖像分割算法相比，本文算法的適應(yīng)性更好，抗噪性更強(qiáng)，能夠克服機(jī)場(chǎng)道面的多種污染，裂縫提取率高。與傳統(tǒng)人工檢測(cè)方法相比，在局部干擾和陰影的狀況下，遺傳神經(jīng)網(wǎng)絡(luò)對(duì)比4組模型均能較好地提取出裂縫形狀，即召回裂縫類(lèi)別的比例較好，相較傳統(tǒng)算法中性能最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)，其綜合評(píng)價(jià)指標(biāo)仍有13%的提升，這說(shuō)明在處理局部陰影下的裂縫圖像時(shí)具有較強(qiáng)的效率和精度。在保證提取精度的前提下，減少了時(shí)間的消耗，從而節(jié)省大量人力物力。滿(mǎn)足學(xué)術(shù)和工程的需求。