基于注意力機制的橋梁混凝土路面裂縫檢測方法

劉華勛 王武

摘要 由于常規(guī)的橋梁混凝土路面裂縫檢測架構(gòu)多為獨立形式，導致檢測的效率較低，誤檢率上升。為了提高檢測效率，文章采用了多層級的方式，構(gòu)建了多層級CNN裂縫檢測架構(gòu)。在此基礎(chǔ)上，設(shè)計了一種注意力機制混凝土路面裂縫檢測模型，并采用自適應(yīng)漸進處理的方法來實現(xiàn)裂縫檢測。最終的測試結(jié)果表明：針對選定的5個測試區(qū)域，分兩個階段進行測試，得出的誤檢率均被較好地控制在5%以下。

關(guān)鍵詞 注意力機制；橋梁施工；混凝土路面；路面裂縫；裂縫檢測；檢測方法

中圖分類號TP391.41文獻標識碼 A文章編號 2096-8949（2024）05-0108-03

0 引言

橋梁作為交通基礎(chǔ)設(shè)施的重要組成部分，其安全性和可靠性對于保障社會經(jīng)濟的穩(wěn)定發(fā)展具有至關(guān)重要的作用[1]?；炷谅访媪芽p是橋梁常見的病害之一，會對其結(jié)構(gòu)安全和耐久性產(chǎn)生嚴重影響[2]。因此，對橋梁混凝土路面裂縫進行及時、準確的檢測，對于保障橋梁的安全運營具有重要意義?；谧⒁饬C制的橋梁混凝土路面裂縫檢測方法是一種新型的計算機視覺技術(shù)，通過訓練深度學習模型來自動檢測混凝土路面裂縫。該方法通過在圖像中識別和關(guān)注裂縫區(qū)域，減少干擾信息的影響，從而提高檢測的準確性和效率[3]。此次以真實工程為背景，結(jié)合實際的裂縫檢測需求及標準，設(shè)計更加靈活、多變的檢測結(jié)構(gòu)，從多個角度進行檢測及目標的優(yōu)化，完善數(shù)據(jù)預處理、模型訓練和測試等步驟，不斷增加路面裂縫檢測的可行性和優(yōu)越性，為相關(guān)領(lǐng)域的研究人員提供了參考和借鑒，有助于推動計算機視覺技術(shù)在橋梁檢測領(lǐng)域的應(yīng)用和發(fā)展。

1 工程概況

此次主要是對基于注意力機制的橋梁混凝土路面裂縫檢測方法的實際應(yīng)用效果進行分析與驗證研究，考慮最終測試結(jié)果的真實性與可靠性，采用對比的方式展開分析，選定J某橋梁公路K43+000～K67+000路段作為測試的主要目標對象。當前為該橋梁公路通車的第三年，在日常維護勘察時，發(fā)現(xiàn)混凝土路面較多位置出現(xiàn)裂縫，且裂縫的類型及延伸方向差異較大。除此之外，當前該路面上出現(xiàn)的裂縫數(shù)量及長度差異性較強，路面無變形，部分裂縫存在支縫，出現(xiàn)橫向和斜向連接縫，網(wǎng)裂情況十分嚴重，甚至部分路段形成了一定的沉陷情況。使用瑞雷面波、探地雷達等手段探測該路段的病害嚴重，現(xiàn)狀堪憂。

2 設(shè)計橋梁混凝土路面注意力機制裂縫檢測方法

2.1 裂縫圖像采集與特征類型提取

橋梁混凝土路面裂縫圖像采集與特征類型提取是進行橋梁健康監(jiān)測與評估的關(guān)鍵步驟。隨著無損檢測技術(shù)的發(fā)展，圖像處理技術(shù)被廣泛應(yīng)用于路面裂縫檢測中，結(jié)合實際的檢測需求，進行混凝土路面裂縫采集與特征類型提取[4]。首先，對所需要測定的路段進行拍攝點位及范圍的劃分，依據(jù)標記，使用高分辨率相機對橋梁混凝土路面進行拍攝，獲得高質(zhì)量的原始圖像。將同類型的圖像匯總，以待后續(xù)使用[5]。

為了提取與裂縫相關(guān)的特征，需要對圖像進行預處理。先進行去噪處理，此次采用中值濾波處理方法，選擇一個包含目標像素的窗口，通常為3×3或5×5的矩陣，將窗口內(nèi)的像素灰度值進行排序，選取中間值作為目標像素的新值，消除圖像上的噪聲，保留圖像的邊緣信息。隨后，對現(xiàn)有圖像進行分割處理，可以計算出當前的分割閾值，如公式（1）所示。

（1）

式中，F(xiàn)——分割閾值；k——邊緣檢測范圍；——重疊范圍；d——裂縫數(shù)量；——邊緣裂縫數(shù)量。結(jié)合得出的分割閾值，將圖像的灰度值分為不同類別。對于多值圖像，也可以將灰度值高于閾值的像素設(shè)為一種顏色，低于閾值的像素設(shè)為另一種顏色。依據(jù)顏色的不同，分割出多個區(qū)域，接下來，對分割后的裂縫區(qū)域進行特征提取。此次，采用裂縫的寬度作為可識別的特征，通過邊緣檢測算法測算出裂縫檢測的邊緣均值，如公式（2）所示。

（2）

式中，m——裂縫檢測邊緣均值；φ——可感應(yīng)寬度；——裂縫深度；u——識別裂縫數(shù)量；a——檢測梯度值。將得出的裂縫檢測邊緣均值設(shè)定為裂縫檢測的限制約束條件，采用不同的分類器，先對橋梁的健康狀況，進行一個基礎(chǔ)的評估，在此基礎(chǔ)之上分析裂縫的走向。

2.2 構(gòu)建多層級CNN裂縫檢測架構(gòu)

傳統(tǒng)的混凝土路面裂縫檢測多維目標式或者定位式，雖然能夠?qū)崿F(xiàn)預期檢測目標，但是整體缺乏穩(wěn)定性與靈活性，對裂縫的檢測結(jié)果并不可靠，導致裂縫檢測結(jié)果不可靠，常常產(chǎn)生不可控的誤差。為了解決這一問題，相關(guān)人員設(shè)計了多層級CNN裂縫檢測架構(gòu)，構(gòu)建一個多層級卷積神經(jīng)網(wǎng)絡(luò)（CNN）架構(gòu)，便于更好地捕捉裂縫的各種特征，包括形狀、大小、方向等。將所采集的圖像分為幾個大塊，每個大塊包含若干個可能存在裂縫的小塊。這樣做的目的是減少網(wǎng)絡(luò)的輸入大小，降低計算復雜度。接下來，設(shè)計定向檢測層級，主要分為卷積層、池化層和全連階層三個層級，對每個小塊區(qū)域進行精細的裂縫檢測。卷積層一般需要使用一系列的卷積核來提取圖像的特征。以裂縫的形狀和深度作為引導特征，先測定出基礎(chǔ)的卷積和數(shù)量，對裂縫的邊緣位置進行標定，結(jié)合卷積核，形成特有的裂縫形狀特征，可以提取更豐富的特征信息。接下來，進行池化層的設(shè)計。這部分主要目的是降低特征的維度，減少計算量?？梢韵扔嬎愠鐾瑓^(qū)域裂縫的基礎(chǔ)維度特征值，如公式（3）所示。

? （3）

式中，C——裂縫基礎(chǔ)維度特征值；β——池化差；γ——邊緣值；x——裂縫深度。將得出的裂縫基礎(chǔ)維度特征值設(shè)置為當前裂縫檢測的限制約束條件之一，隨后使用不同大小的池化窗口，捕捉裂縫的不同尺度特征，并再次縮小裂縫的檢測范圍。隨后，進行全連接層的設(shè)計與實踐應(yīng)用。把前面層級提取的特征進行組合，對結(jié)果進行分類。全連接層后面連接一個softmax函數(shù)，用于將輸出結(jié)果轉(zhuǎn)化為概率分布。具體的執(zhí)行結(jié)構(gòu)與細節(jié)內(nèi)容如圖1所示。

結(jié)合圖1，實現(xiàn)對多層級CNN裂縫檢測架構(gòu)的設(shè)計與實踐驗證。基于此，將每個小塊區(qū)域獲取的檢測結(jié)果進行融合，得到整個區(qū)域的裂縫分布情況，此時基本對該橋梁路段的裂縫進行了基礎(chǔ)的模糊識別，并做出標定，以便于后續(xù)精確化檢測處理。這部分需要注意的是，為了提高該結(jié)構(gòu)的性能，還需要進行適當?shù)恼{(diào)參工作，包括學習率、批次大小、迭代次數(shù)等。同時，為了防止過擬合，還需要使用正則化技術(shù)進行輔助，更為有效、快速地檢測出裂縫，為橋梁的健康監(jiān)測和評估提供更準確的數(shù)據(jù)支持。

2.3 設(shè)計注意力機制下混凝土路面裂縫檢測模型

完成對多層級CNN裂縫檢測架構(gòu)的構(gòu)建之后，接下來，結(jié)合注意力機制，設(shè)計混凝土路面裂縫檢測模型?；谏鲜鲈O(shè)定先進行數(shù)據(jù)收集，獲取大量的混凝土路面圖像，包括有裂縫和無裂縫的路面用于訓練模型。預處理之后，需要進行檢測指標及參數(shù)的設(shè)置，如表1所示。

結(jié)合表1，實現(xiàn)對注意力機制下混凝土路面裂縫檢測指標及參數(shù)的設(shè)置?；诖?，對裂縫的區(qū)域進行劃分，標定好裂縫的邊緣輪廓之后，再次采集細節(jié)化的裂縫數(shù)據(jù)。此次以鍵值對注意力機制作為模型的主要執(zhí)行結(jié)構(gòu)，計算出鍵值，如公式（4）所示。

（4）

式中，Q——鍵值；φ——覆蓋檢測范圍；S——定向裂縫檢測距離；T——檢測均值；n——裂縫深度檢測差；υ——識別空間。結(jié)合得出的鍵值與注意力機制，構(gòu)建當前橋梁混凝土路面裂縫檢測模型原理，具體如圖2所示。

圖2 橋梁混凝土路面裂縫檢測模型原理圖

結(jié)合圖2，實現(xiàn)對橋梁混凝土路面裂縫檢測模型原理的分析。基于鍵值對注意力機制，計算裂縫圖像中每個位置的注意力權(quán)重，具體如公式（5）所示。

? （5）

式中，N——注意力權(quán)重；λ——并行檢測差；σ——檢測定點距離；D——轉(zhuǎn)換比；y——路段寬度。結(jié)合當前得出的模型注意力權(quán)重值，使模型進一步標注圖像中裂縫的集中區(qū)域，基于此，還需要使用收集的數(shù)據(jù)來訓練模型，并使用驗證集來優(yōu)化模型的參數(shù)，提高模型的準確性。此外，為進一步確保最終裂縫檢測結(jié)果的精準可靠，此次可以計算裂縫的檢測限值，具體如公式（6）所示。

（6）

式中，B——模型裂縫檢測限值；——動態(tài)檢測范圍；O——檢測次數(shù)；——特征值；ξ——裂縫數(shù)量。結(jié)合當前測定，將得出的模型裂縫檢測限值設(shè)定為動態(tài)化檢測的標準，與初始的檢測標準進行比對，確保最終模型檢測結(jié)果的真實可靠，強化模型的裂縫檢測泛化能力。

2.4 自適應(yīng)漸進處理實現(xiàn)裂縫檢測

自適應(yīng)漸進處理是一種高效的圖像處理技術(shù)，可用于實現(xiàn)橋梁混凝土路面裂縫檢測。能夠根據(jù)圖像的不同區(qū)域和特征，以及模型輸出的裂縫檢測結(jié)果，自適應(yīng)地調(diào)整處理參數(shù)和方法，以提高檢測的準確性和效率。在自適應(yīng)修正處理過程中，通過逐步放大和處理圖像的關(guān)鍵區(qū)域，能夠準確地識別和定位裂縫的位置和大小。

3 實例測定結(jié)果分析

結(jié)合上述測定，完成對路段裂縫的檢測方案構(gòu)建。在當前選定的測試路段之中，隨機選定5個小區(qū)域進行裂縫的檢測，通過注意力機制對裂縫進行兩個階段的同步鎖定，測定計算誤檢率，如公式（7）所示。

? （7）

式中，H——誤檢率；——檢測范圍；j——定向檢測均值；σ——裂縫覆蓋范圍。結(jié)合得出的結(jié)果數(shù)據(jù)，進行比對分析，如表2所示。

結(jié)合表2，得出以下結(jié)論：針對選定的5個測試區(qū)域，分兩個階段進行測試，最終得出的誤檢率均被較好地控制在5%以下，說明此次結(jié)合注意力機制所設(shè)計的橋梁混凝土路面裂縫檢測方法更加靈活、多變，針對性較強，具有實際的應(yīng)用價值。

4 結(jié)束語

總而言之，以上便是對基于注意力機制的橋梁混凝土路面裂縫檢測方法的設(shè)計與驗證分析。注意力機制作為一種有效的計算機視覺技術(shù)，融合應(yīng)用之后，一定程度上可以快速、準確地檢測橋梁混凝土路面的裂縫。通過訓練深度學習模型，自動識別和關(guān)注裂縫區(qū)域，減少干擾信息的影響，從而提高檢測的準確性和效率。此外，結(jié)合注意力機制，所設(shè)計的混凝土路面裂縫檢測方法覆蓋范圍相對較大，針對性較強，具有更高的檢測精度和更快的檢測速度，可以適應(yīng)不同場景下的橋梁混凝土路面裂縫檢測任務(wù)，泛化性較強，為保障橋梁的安全運營和社會經(jīng)濟的穩(wěn)定發(fā)展作出更大的貢獻。

參考文獻

[1]李凌志， 陳勇. 基于機器學習的高速公路水泥混凝土路面裂縫檢測方法[J]. 建筑技術(shù)， 2023（7）： 808-811.

[2]瞿中， 王彩云. 基于注意力機制和輕量級空洞卷積的混凝土路面裂縫檢測[J]. 計算機科學， 2023（2）： 231-236.

[3]劉憲逸. 基于改進遺傳規(guī)劃的混凝土路面早期裂縫檢測算法分析[J]. 市政技術(shù)， 2022（9）： 214-219.

[4]李云峰. 基于HHT的瀝青混凝土路面疲勞裂縫檢測方法研究[J]. 交通世界， 2022（Z2）： 90-92+123.

[5]瞿中， 陳雯. 基于空洞卷積和多特征融合的混凝土路面裂縫檢測[J]. 計算機科學， 2022（3）： 192-196.