基于 CLAHE 與 U-Net 模型的無人機橋梁裂縫檢測方法

基金項目：

2021年度廣西高校中青年教師科研基礎能力提升項目“基于多傳感器融合技術的新型自動駕駛控制系統(tǒng)的研究與開發(fā)”（編號：桂科2021KY1130）；2021年度廣西科技重大專項“限定區(qū)域和特定場景智能網(wǎng)聯(lián)汽車技術開發(fā)與示范應用”（編號：桂科AA22068101）

作者簡介：

林土淦（1988—），工程師，研究方向：智能交通產(chǎn)品研發(fā)。

摘要：文章提出一種基于無人機與深度學習結合的橋梁表面裂縫分割方法。該方法采用無人機遍歷橋梁各區(qū)域采集圖像，通過網(wǎng)絡傳輸?shù)綐蛄毫芽p檢測系統(tǒng)進行圖像分析；采用U-Net深度學習網(wǎng)絡對橋梁圖像進行訓練與特征提取，以提高系統(tǒng)準確率；針對圖像存在光照不均勻、低對比度問題，采用對比度受限自適應直方圖均衡化對數(shù)據(jù)進行處理以提高圖像的邊緣對比度，獲得更細膩的裂縫特征。通過驗證實驗表明，該方法相比于原始的U-Net和YOLOv8-seg網(wǎng)絡，其mAP分別提高了1.63%、2.01%。

關鍵詞：橋梁裂縫檢測；圖像分割；CLAHE；U-Net模型

中圖分類號：U446.2文獻標識碼：A 01 001 3

0 引言

橋梁設施的有效維護和損傷的預防依賴于對橋梁缺陷的及時檢測，如裂縫、坑洞、車轍、沉降或其他表面損傷［1］。由于我國公路和橋梁的總里程數(shù)不斷增加，傳統(tǒng)的人工橋梁檢測方法往往需要借助橋梁檢查車及特殊設備（如梯子等）進行觀測，需要耗費大量的人力、物力資源。在地震或極端天氣發(fā)生時，對橋梁設施的緊急維護和檢查尤為重要，采用人工檢測存在巨大的安全隱患。因此，隨著技術的發(fā)展，業(yè)界開始探索使用無人機進行橋梁設施檢測，以打造更為安全和高效的檢查系統(tǒng)，再結合機器視覺技術有望實現(xiàn)橋梁設施的自動檢測［2］。

通過對無人機捕獲的圖像進行處理，能夠有效識別橋梁表面的損傷［3］。最初，研究人員使用閾值化、像素對比度、邊緣檢測等方法檢測圖像中是否存在裂縫，大致是通過手動處理圖像特征，根據(jù)像素強度分布對圖像有無裂縫進行分類。隨著人工智能技術的不斷發(fā)展，研究人員引入了機器學習方法來進行啟發(fā)式橋梁裂縫檢測，為處理各種類似的裂縫提供了一種自適應解決方案。然而，由于模型簡單與特征提取能力不足，預測精度會受到限制。另一方面，深度卷積神經(jīng)網(wǎng)絡具有多層級抽象和深度分解已識別特征的能力，在橋梁表面圖像處理領域得到廣泛應用［4］，并取得較好的裂縫分類精度。在此背景下，業(yè)界對橋梁表面檢測系統(tǒng)提出了更高的要求，在準確分類的基礎上，探索能準確識別橋梁裂縫的更多信息（如位置、大小、形狀等）。李澤榮等［5］提出一種可用于水下機器人的橋梁水下結構缺陷自動識別方法，通過圖像增強算法獲取高對比度圖像，使用改進YOLOv7-tiny網(wǎng)絡模型進行裂縫目標檢測，準確率明顯提升。

雖然目標檢測算法能夠識別裂縫及其位置，但是無法獲得像素層面的裂縫信息，難以進一步定量評估裂縫對橋梁健康狀態(tài)的影響，還需要在候選框內結合閾值或邊緣檢測算法提取裂縫像素。與傳統(tǒng)圖像分割算法相比，基于深度學習的圖像分割算法能直接從圖像中高效提取裂縫像素，其中全卷積神經(jīng)網(wǎng)絡、YOLO、U-Net、Mask R-CNN等在圖像分割任務上獲得顯著成效。譚國金等［6］基于改進DeepLabv3+的圖像分割模型在大量實際橋梁裂縫圖像中達到了90%以上的像素準確率。余加勇等［7］提出基于YOLOv5和U-Net算法構建裂縫定位與分割一體化橋梁裂縫智能識別方法。然而，由于裂縫圖像分割數(shù)據(jù)集的標注成本較高，標注質量難以保證，使得在裂縫圖像分割任務上模型難以訓練且性能較差。因此，需根據(jù)特定任務與數(shù)據(jù)量選擇合適的模型。

本文提出了一種混合方法，通過無人機航行攝像來采集橋梁的表面圖像，將對比度受限自適應直方圖均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）技術與U-Net網(wǎng)絡相結合，實現(xiàn)高效、高精度的橋梁裂縫圖像分割任務。首先，對圖像進行灰度化處理并進行CLAHE處理，然后將增強處理后的圖像用于訓練U-Net模型，實現(xiàn)裂縫圖像的特征提取與分割。最后，在不同數(shù)據(jù)集以及無人機捕獲的圖像上進行的實驗表明，與基于U-Net模型、YOLOv8-seg模型的裂縫檢測方法相比，所提出的具有CLAHE對比度增強的U-Net更有優(yōu)勢。該方法將無人機與深度學習圖像處理技術相結合，提高了裂縫檢測的效率和準確性，同時降低了檢測成本并保障了檢查員的安全。

1 系統(tǒng)設計

在橋梁的日常維護和檢修工作中，系統(tǒng)不僅需要滿足一定頻率的巡檢任務，而且需要實現(xiàn)自動圖像采集與處理。研究人員嘗試在移動設備上（如手機、無人機等）進行部署，但是移動設備的算力有限，部署的模型推理速度慢，難以完成大量而全面的檢測工作。因此，本系統(tǒng)采用模塊化設計，由圖像采集模塊、數(shù)據(jù)傳輸模塊、數(shù)據(jù)處理終端三部分組成，如圖1所示。這樣可以根據(jù)不同的場景使用不同的方案，且在系統(tǒng)更新通過模塊復用降低成本。

數(shù)據(jù)采集終端由攝像頭、電池、云臺、安裝架組成。數(shù)據(jù)傳輸采用無線通信模塊，將采集的圖像數(shù)據(jù)即時回傳數(shù)據(jù)處理端。數(shù)據(jù)處理終端由PC或移動電腦組成，用于部署模型，同時完成推理前的數(shù)據(jù)預處理工作。見圖2。

2 算法模型原理

2.1 U-Net模型

U-Net是用于圖像分割的卷積神經(jīng)網(wǎng)絡，由Ronneberger等人［8］提出。其采用全卷積結構，包括下采樣和上采樣兩部分，并通過跳躍連接捕獲空間信息。U-Net在醫(yī)學影像、衛(wèi)星圖像、工業(yè)瑕疵檢測等任務中廣泛應用并取得了顯著的效果。

U-Net采用編碼器-解碼器的結構，編碼器部分通過卷積和池化操作提取圖像中的特征，而解碼器部分則逐漸恢復圖像的空間信息，使得U-Net網(wǎng)絡能夠同時捕捉圖像的局部細節(jié)和全局上下文信息，對于裂縫檢測這類需要精細分割的任務非常有效。本研究中設計的U-Net模型由1個雙層卷積塊、4個上采樣層、4個下采樣層與1個輸出卷積層組成。其中，雙層卷積塊包括1個3×3卷積層、1個批標準化層、1個64×64卷積層以及1個以ReLU為激活函數(shù)的激活層，按順序堆疊兩次。上采樣層由2×2的逆卷積層與雙層卷積塊構成，該雙層卷積塊由3×3卷積層、1個批標準化層和ReLU激活層組成。再將上采樣層按順序堆疊4次（各層具有不同的卷積核大?。┙M成上采樣部分，各層通道由1 024減小至64。下采樣層與上采樣層的結構類似，同樣由逆卷積層與雙層卷積塊構成，并按順序堆疊4次，組成下采樣部分，各層通道則由64增大到1 024。最終輸出層通過雙層卷積塊輸出。

2.2 直方圖均衡

直方圖均衡（Histogram Equalization，HE）作為一種經(jīng)過廣泛驗證的技術，旨在顯著增強圖像的對比度。該技術通過重新分配圖像中所有像素的強度值，有效地擴展了可用的動態(tài)范圍，從而提升了圖像的視覺表現(xiàn)。直方圖均衡化的變換函數(shù)可具體表述為：

Gi，j=L-1MN∑ik=0 ∑ji=0pfk，l

（1）

式中：G（i，j）——增強后圖像的像素值；

L——強度等級的數(shù)量；

M和N——圖像的維度；

p（f（k，l））——像素強度的累積分布函數(shù)。

盡管直方圖均衡化在改善對比度方面效果顯著，但也可能導致過度增強，特別是在強度均勻的區(qū)域，這可能會增加對噪聲的敏感性。

CLAHE是一種HE的改進方法，旨在解決局部圖像區(qū)域中噪聲過度放大的問題。其將圖像劃分為若干個小塊，并對每個小塊分別應用直方圖均衡化，從而限制對比度的放大。這種限制是通過在指定的閾值處裁剪直方圖來實現(xiàn)的。CLAHE可以表示為：

Gi，j=L-1MN∑ik=0 ∑ji=0pfk，l，C

（2）

式中：C——用于直方圖裁剪的閾值。

CLAHE能夠有效地保留局部細節(jié)并自適應地增強對比度，使其適合用于采集到的橋梁圖像分析，對精確定位混凝土裂縫至關重要。

3 實驗分析與討論

本節(jié)主要關注基于U-Net的裂縫檢測模型的構建過程，主要內容包括以下四個部分：數(shù)據(jù)集準備、數(shù)據(jù)邊緣增強、網(wǎng)絡結構改變以及實驗結果分析。

3.1 數(shù)據(jù)集制作

研究采用公開數(shù)據(jù)集與自采集數(shù)據(jù)集混合用于模型訓練。其中公開數(shù)據(jù)集從SDNET 2018［x］的混凝土橋面部分與Crack Segmentation混凝土裂縫數(shù)據(jù)中隨機抽取混合獲得。其中SDNET 2018數(shù)據(jù)集僅提供了是否存在裂縫的標簽，無用于裂縫分割的像素標注標簽。在訓練開始前需要將圖像通過標注工具Labelme進行標注。

橋梁裂縫圖像采集由于光照不均、陰影干擾以及裂縫本身的細微特征等原因，往往呈現(xiàn)出對比度低、細節(jié)模糊等問題。CLAHE方法通過局部直方圖均衡化和對比度限制，有效地增強了圖像的局部對比度，同時避免了過度增強導致的噪聲放大。在橋梁裂縫圖像處理中，CLAHE能夠針對裂縫區(qū)域的局部特征，自適應地調整像素值的分布，如圖3所示，可以看到裂縫細節(jié)更加突出。

3.2 實驗環(huán)境

本實驗硬件平臺CPU是AMD Ryzen R7 7700，使用NVIDIA GeForce RTX4060Ti（顯存16 GB）、32 GB的運行內存；使用PyTorch深度學習框架構建網(wǎng)絡模型，版本為2.1.0，CUDA版本為12.1；使用OpenCv對圖像進行直方圖均衡。其他軟件環(huán)境為Windows 10系統(tǒng)，Python版本為3.9.18。

3.3 評價指標

實驗采用像素準確率（Pixel Accuracy，PA）、交并比（Intersection-Over-Union，IOU）、平均精度均值（mean Average Precision，mAP）來評價圖像分割的性能。PA、IOU、mAP的計算公式如下：

PA=∑ni=0 pii∑ni=0 ∑nj=0 pij=TP+TNTP+TN+FP+FN

（3）

IOU=A∩BA∪B=TPTP+FP+FN

（4）

mAP=10P（R）dR

（5）

式中：TP——模型正確預測為正例的像素數(shù)量；

FP——模型錯誤預測為正例的像素數(shù)量；

TN——模型正確預測為負例的像素數(shù)量；

FN——模型錯誤預測為負例的像素數(shù)量。

3.4 實驗結果分析與對比

為了驗證所設計的U-Net網(wǎng)絡與CLAHE圖像邊緣增強方法的有效性，采用對比實驗進行驗證。實驗分為3組，環(huán)境及參數(shù)設置均保持統(tǒng)一。模型的訓練完成后的預測對比結果如表1所示。

第1組為采用原始圖片作為輸入的U-Net模型的實驗，mAP值為79.6%。

第2組為采用原始圖片作為輸入的YOLOv8-seg模型的實驗，mAP值為79.3%。

第3組為增加CLAHE圖像邊緣增強的圖像作為輸入的U-Net模型實驗，檢測mAP值為80.9%，相較第1、第2組模型性能分別提升了1.63%、2.01%。

訓練過程中，隨著訓練批次的增加，兩次實驗的損失逐漸下降。經(jīng)過50個批次訓練后，U-Net與CLAHE+U-Net模型最終的損失在0.16附近，且CLAHE+U-Net模型的損失更低，為0.165 4。

實驗結果顯示，U-Net模型在橋梁裂縫分割上的可用性，且其相較YOLOv8-seg模型效果略好，其原因可能是YOLOv8-seg網(wǎng)絡框架復雜，參數(shù)量大，在有限的數(shù)據(jù)集下無法充分發(fā)揮其優(yōu)勢。另外，經(jīng)CLAHE處理后的U-Net模型相較原模型，其精確度提升了1.63%，證明了橋梁裂縫圖像經(jīng)過邊緣增強后，模型效果得到提升。圖4展示了具有代表性的部分測試圖片在模型U-Net、YOLOv8-seg和采用CLAHE增強的U-Net圖像分割效果。由圖4可以看出，在細小的規(guī)整裂縫下，YOLOv8-seg的分割效果更好，但不規(guī)整、復雜裂縫情況下效果較差。另外，在細小裂縫上，經(jīng)過CLAHE處理后獲得的圖像分割結果相較原始U-Net更準確；在明顯裂縫圖像上，兩個模型分割效果相近，但CLAHE處理的圖像效果略好；在多裂縫圖像上，CLAHE+U-Net的效果明顯好于未采用CLAHE增強的U-Net模型。

4 結語

本研究針對傳統(tǒng)橋梁裂縫人工檢測方法存在的問題，將無人機與深度學習圖像處理技術相結合，提出了一種基于CLAHE與U-Net的橋梁裂縫檢測方法。通過采用對比度受限自適應直方圖均衡化（CLAHE）進行數(shù)據(jù)預處理，克服圖像質量低、邊緣不明顯等問題。在對公開數(shù)據(jù)集和自采集數(shù)據(jù)集的模型進行訓練后，驗證了所提方法的有效性。試驗結果表明，所提方法在準確性和平均精度（mAP）方面均優(yōu)于原始模型，分別提高了1.06%和1.63%，

表明基于CLAHE與U-Net模型的橋梁裂縫檢測方法在提升橋梁裂縫分割性能方面效果顯著，有望在實際應用中發(fā)揮重要作用，提高橋梁裂縫檢測的效率和準確性，為土木工程領域的結構安全和質量管理提供有力支持。

參考文獻

［1］杜彥良，孫寶臣，吳智深，等. 關于建立健全交通基礎設施長壽命安全保障體系的戰(zhàn)略思考［J］. 中國工程科學，2017，19（6）：1-5.

［2］劉 睿. 基于無人機的橋梁病害檢測系統(tǒng)研究［J］. 北方交通，2024（1）：17-20.

［3］鐘新谷，彭 雄，沈明燕. 基于無人飛機成像的橋梁裂縫寬度識別可行性研究［J］. 土木工程學報，2019，52（4）：52-61.

［4］楊杰文，章 光，陳西江，等. 基于深度學習的較復雜背景下橋梁裂縫檢測［J］. 鐵道科學與工程學報，2020，17（11）：2 722-2 728.

［5］李澤榮，劉愛榮，陳炳聰，等. 基于融合圖像增強與改進YOLOv7算法的橋梁水下結構缺陷識別［J］. 工程力學，2024，41（S1）：245-252.

［6］譚國金，歐 吉，艾永明，等. 基于改進DeepLabv3+模型的橋梁裂縫圖像分割方法［J］. 吉林大學學報（工學版），2024，54（1）：173-179.

［7］余加勇，劉寶麟，尹 東，等. 基于YOLOv5和U-Net3+的橋梁裂縫智能識別與測量［J］. 湖南大學學報（自然科學版），2023，50（5）：65-73.

［8］Ronneberger O，F(xiàn)ischer P，Brox T. U-Net：Convolutional Networks for Biomedical Image Segmentation［C］.International Conference on Medical Image Computing and Computer-Assisted Intervention，2015.