深度學習技術在市政橋梁監測中的應用

馮星星

（西安市市政設施管理中心橋梁監測中心 陜西省西安市 710016）

1 前言

隨著經濟的迅速發展和城市化進程的加快，城市橋梁作為重要的交通基礎設施，其安全抗害能力日益受到嚴峻考驗。為提高橋梁承載能力，延長橋梁服役時間，我中心對市政轄區內的橋梁設施加大了經濟、技術和管理方面的投入。市政橋梁監測工作始終貫徹“實體檢測為主，信息技術為輔，融合發展”的方針，堅持“精心監測，有效防控，管理到位”的指導思想，建立日常巡查、定期檢測、實時評估相結合的運營機制，為科學管理提供技術支持，同時建立統一領導、分工協作、快速應對的應急處置機制，將安全隱患危害降到最低，從而確保轄區橋梁的安全運營和暢通。

2 深度學習概述

隨著以人工智能等為代表的新一代信息技術的發展，數字經濟正成為推動我國經濟發展的重要引擎。在這個發展速度驚人的經濟背后，深度學習技術發揮著重要的作用。人工神經網絡是人工智能領域重要的發展方向，而深度學習技術是人工神經網絡的深化與拓展。深度學習是加深了層的深度神經網絡。與神經網絡相比，深度學習具有兩點特征：其一，更少的網絡參數數量，加深了層的網絡可以用更少的參數達到同等水平（或更強）的表現力；其二，學習更加高效，通過加深層，可以將各層要學習的問題分解成容易解決的簡單問題，從而進行高效的學習。

基于深度學習的市政橋梁監測業務應用系統模型包括有依賴關系的四層功能層和對系統建設有約束關系的三個支撐模塊，如圖1所示。

功能層包括：數據采集層、網絡通信層、深度學習技術支撐層和應用層。其中數據采集層主要是各類數據采集模塊，采集現場各類基礎信息；網絡通信層通過互聯網、光纖骨干傳輸網、4G 接入網、Wi-Fi 等將采集到的數據與信息傳回到技術支撐層；深度學習技術支撐層主要是通過對基礎數據以及歷史數據進行學習和推斷，提供應用所需的各種服務和共享資源；應用層為市政橋梁監測人員提供應用和服務，輔助管理者進行養護規劃和決策，提高基層作業人員完成各項檢測業務的效率。

支撐模塊包括：運行維護模塊、信息安全模塊和規范標準模塊。運行維護模塊為監測業務應用系統建設提供整體運維管理，確保系統安全、平穩地運行，及時定位和排除硬軟件故障，保證監測業務順利開展。信息安全模塊主為系統構建統一的安全環境，設置身份認證，實行權限管理，嚴格控制對信息資源的訪問，同時通過安全審計跟蹤用戶操作并記錄日志。規范標準模塊主要為市政橋梁監測業務應用系統建設提供統一技術標準和養護規范，便于共享、互聯操作和擴展。

3 深度學習技術支撐層

圖1

深度神經網絡包括信號輸入層、隱藏層和輸出層。每一層隱藏層都由加權信號與偏置的和Affine 函數、激活函數組成。輸出層則由Affine 函數、輸出函數和交叉熵誤差損失函數組成。輸入層的輸入數據分為三類，一是訓練數據，用于學習；二是驗證數據，用于超參數性能的評估；三是測試數據，用于評價模型進行學習的泛化能力，三種數據分別對應正確解標簽。深度學習以損失函數為指標、梯度為線索尋找最優權重參數，這一尋找過程通過更新權重參數、減小損失函數的值實現，因此深度學習的實質是通過優化權重參數，使網絡輸出接近測試數據的正確解，不斷縮小損失函數值的過程。

在這一過程中依次用到的關鍵技術包括：給權重參數賦Xavier初值、誤差反向傳播求梯度，Adam 更新權重參數，Dropout 抑制過擬合化，以及超參數的搜索取值等，構建深度神經網絡的時間軸如圖2 所示。

3.1 數據預處理與正規化

數據預處理是指將基礎數據的原值范圍整體偏移到范圍[0.01,1.0]所進行的縮放和移位轉換，而將基礎數據限定到某個范圍內的過程稱為正規化。通過對基礎數據進行預處理完成正規化，從而獲得輸入層的輸入數據。

3.2 確定隱藏層數與神經元個數

通過實驗試錯找出能使深度神經網絡識別精度達到最高的隱藏層數及每層的神經元數，為排除隨機過程的影響，同時避免因運行錯誤而導致的網絡在梯度下降過程中卡在一個局部最小值中，須進行多次實驗。如果隱藏層數少或神經元數量太小，會限制神經網絡的識別能力。隨著層數和神經元個數的增加，識別精度獲得提升的同時，計算速度變慢，一次實驗的時間隨之延長。增加一層隱藏層神經元意味著新增加到前后層每個神經元的鏈接，由此產生的額外計算使訓練網絡所用的時間顯著增加，而識別精度僅得到微弱提升。因此，通過同時考慮識別精度與耗時的比值，確定最佳的隱藏層數與神經元個數。

圖2

3.3 設定權重參數初始值

權重參數初始值的設定關系到深度神經網絡的學習能否成功。為權重參數賦Xavier 初始值，能使各隱藏層激活函數值的分布具備適當廣度，并且使損失函數值隨著訓練迭代明顯減小，從而進行高效的學習。

3.4 激活函數、損失函數及其改良

隱藏層激活函數使用非線性函數，輸出層函數使用分類函數，損失函數使用交叉熵誤差。損失函數是表示深度神經網絡分類性能“惡劣程度”的指標，即當前網絡對測試數據在多大程度上不擬合。使性能的惡劣程度達到最小和使性能的優良程度達到最大是等價的。損失函數是以權重參數為變量的函數，因此能使損失函數達到最小值的權重參數即是最優參數。

批處理是指將所有訓練數據隨機打亂分批處理，把求單個輸入數據的損失函數改良為求批數據的平均損失函數，使一批數據的平均損失函數與單個數據的損失函數等效，因此，分批處理訓練數據能夠減輕數據傳輸遇到瓶頸時總線的負荷，實現深度神經網絡的高速運算。

3.5 誤差反向傳播求梯度

損失函數是關于權重參數的函數，對全部目標參數求數值微分，其值排列而成的向量稱為權重參數的梯度。有兩種方法可以求梯度，一種是誤差反向傳播求梯度，從最終的輸出結果交叉熵誤差開始反向傳播，經過每一層隱藏層的激活函數及Affine 函數，最后求得每個權重參數的梯度。誤差反向傳播求梯度，高效但復雜，容易出錯，因此需要數值微分求得的梯度值進行驗證。如果兩種方法求出的梯度絕對差值非常小，則證明誤差反向傳播法求出的梯度是正確的。

3.6 利用Adam更新權重參數

隨機梯度下降法SGD 是早期更新權重參數的方法，相當低效，主要原因在于梯度的方向并沒有指向損失函數最小值的方向。Momentum 和AdaGrad 兩種方法都從一定程度上改正了SGD 的缺點。Adam 方法融合了Momentum 和AdaGrad 的優點，對學習率等超參數進行了“偏置校正”，使權重參數的更新路徑呈延伸狀，因此Adam 方法搜索最優權重參數的效率更高，能在大多數情況下實現參數空間的高效搜索。

3.7 利用Dropout方法抑制過擬合化

過擬合化是指只能擬合訓練數據，但不能很好擬合除訓練數據外的其他數據的狀態。過擬合化發生的主要原因有兩個：一是有大量的權重參數，二是訓練數據不足。為提高深度神經網絡識別分類的泛化能力，采用Dropout 方法抑制過擬合化現象，即通過設置刪除比，隨機的使部分隱藏層神經元不再參與信號的傳遞。使用Dropout 方法能有效減小訓練數據和測試數據識別精度的差距。

3.8 驗證超參數

超參數是指深度神經網絡除權重參數外設置的參數，例如每批輸入數據中所含數據的個數、學習率以及世代數等。超參數設置的值合適與否直接影響深度神經網絡的識別分類性能。在10-6 到10-2 的范圍內對學習率進行隨機采樣，通過不斷縮小采樣范圍的實驗獲得學習率和世代數的最佳組合。

3.9 小結

本節闡述了深度學習技術支撐層運行基本原理、步驟與關鍵技術。對基礎數據進行預處理和正規化，通過實驗試錯確定隱藏層層數和每層神經元數，構建加權信號與偏置和Affine 函數、激活函數、損失函數，并通過批處理對交叉熵誤差函數進行改良，使用誤差反向傳播求梯度，對權重參數賦Xavier 初值，并通過Adam 更新權重參數，利用Dropout 抑制過擬合化，加強泛化，實驗獲取最佳學習率和世代數等超參數。

4 深度學習技術的應用場景

市政橋梁監測工作的重要性，使得深度學習技術的使用迫在眉睫。深度神經網絡將歷史數據或前端采集的基礎數據進行分析、處理，經服務器應用轉化并響應手機APP 需求的方式，使城市橋梁狀況等級推斷、大體積混凝土裂縫預警、橋梁交通量預測與分流提示、立交橋支座早期疲勞破壞診斷得以實現，并減少了大量的人力，使得市政橋梁監測更加有效、科學、便捷。

4.1 城市橋梁狀況等級推斷

隨著城市交通的發展，城市橋梁的交通承載能力日益提高，對橋梁設施的管理提出了更高的要求，其中病害防范流程和手段進一步改善，在上級相關部門的正確決策和支持下，為充分發揮海量橋梁狀況等級數據的價值，不斷加大橋梁養護力度，提高養護水平，開發了城市橋梁狀況等級推斷系統。該系統對歷年橋梁狀況整體評價值BCI 和部件評價值BSI 進行深度學習，并將訓練好的最佳權重參數保存在服務器的CSV 文件中。當市政橋梁監測人員通過手機APP 發回現場橋梁關鍵部位狀況信息時，服務器調用CSV 文件，實時推斷出橋梁狀況等級，并結合橋梁養護規范給出分級養護建議，供市政橋梁養護部門參考。

4.2 城市橋梁大體積混凝土裂縫預警

針對城市橋梁大體積混凝土由于溫度變化、不均勻沉降等，造成的有害裂縫危害車輛正常通行情況，引起市政橋梁監測中心的重點關注。另外，因目前監測中心對于橋梁裂縫的識別處理，基本靠巡視員人工管理，加上橋梁數量眾多且地理位置分散，只依靠人工排查再維修的事后管理模式，無法發揮風險識別、事前防范的優勢。因此，為實現橋梁有害裂縫早發現早預防進行信息化管理，建設了城市橋梁大體積混凝土裂縫預警系統。該系統在轄區橋梁有害裂縫高發部位設置了高靈敏度的測溫探頭，同時安裝了具有高精度的分布式光纖傳感器，實時采集上述部位不均勻沉降數據，然后連同溫差等基礎數據通過無線傳輸網絡傳回至監控服務器。后臺程序通過深度學習推斷出有害裂縫類型及其出現的可能性，并對危害程度超過閥值的裂縫進行實時預警。最終，市政橋梁監測人員通過手機APP 獲取預警信息，對橋梁大體積混凝土可能發生有害裂縫的部位進行維護預防，實現實時預警管理。

4.3 城市橋梁交通量預測與分流提示

隨著城市橋梁對交通量的分流作用日益提升，交通高峰期城市主要橋梁狀況變化情況是市政養護維修決策的關鍵性依據，為給橋梁應急搶險提供科學依據，以及為圍擋搶修提供合理時機，建設了城市橋梁交通量預測與分流提示系統。該系統利用激光雷達對每座橋梁及與其相聯通道路的車流量進行采集，將車流量數據通過無線傳輸網絡回傳至服務器后臺程序進行深度學習。實現城市橋梁病害高發區交通量的實時監測，并對因交通量引發的橋梁病害進行實時推斷，為橋梁養護管理提供科學性、前瞻性依據，同時為交通導行提供車輛分流信息。

4.4 城市立交橋支座早期疲勞破壞診斷

隨著城市立交橋車流量增加，移動車輛荷載對橋梁結構可靠性的影響持續增強，加強對支座情況的監測、提高支座監管水平已成為市政立交橋管理的難點。在日常立交橋巡視中，一般通過肉眼觀察、人工測量、儀器檢測以及經驗估算等傳統方法判斷支座狀態，對支座疲勞認識研究不足，當支座出現早期疲勞破壞時更無法提供有效證據。立交橋支座是連接橋跨結構和下部結構的重要結構部件，為更好的對立交橋支座進行市政監測管理，建設了城市立交橋支座早期疲勞破壞診斷系統。該系統借助載重傳感技術、位移波形監測技術、智能交通車流量記錄技術、無線傳輸技術等為深度學習立交橋支座疲勞破壞提供樣本數據，建立支座狀態與疲勞破壞的相關關系能夠及時診斷支座早期疲勞破壞原因并警示病害，為市政橋梁養護提供參考。

5 結語

深度學習在信息技術視角下，通過數據和服務的融合，支撐承載信息化的相關應用，成為加速智慧城市建設的重要推動力之一。雖然深度學習技術的應用領域還為數不多，但在市政橋梁監測工作中已經有了一定的應用場景，利用深度學習技術已相繼實現了城市橋梁狀況等級推斷、橋梁大體積混凝土裂縫預警、橋梁交通量預測與分流提示及立交橋支座早期疲勞破壞診斷等，節省人力的同時科學合理的增強了市政橋梁監測工作中病害識別及風險應對能力。