基于支持向量機(jī)與BP神經(jīng)網(wǎng)絡(luò)的裂縫識(shí)別算法研究

孔 燕 袁 輝 柯敏勇 范宇鑫 趙啟林 潘大榮

(1.江蘇泰州大橋有限公司，江蘇 泰州 225300；2.南京工業(yè)大學(xué)，江蘇 南京 210000；3.南京水利科學(xué)研究院，江蘇 南京 210000；4.南京工程學(xué)院，江蘇 南京 210000)

0 引言

我國大部分基礎(chǔ)設(shè)施由混凝土澆筑而成，由于混凝土材料自身的特性和服役環(huán)境中各種因素的影響，絕大多數(shù)的混凝土構(gòu)件中都存在裂縫，影響結(jié)構(gòu)安全。以橋梁為例，據(jù)統(tǒng)計(jì)90%以上的混凝土橋梁損壞由裂縫引起[1]。傳統(tǒng)的檢測(cè)方法主要基于人工視覺檢測(cè)，需要搭建腳手架、掛籃或者使用專門的橋梁檢測(cè)車，成本高，檢測(cè)效率較低，同時(shí)會(huì)妨礙結(jié)構(gòu)運(yùn)營使用，而且檢測(cè)效果往往依賴于檢測(cè)人員的經(jīng)驗(yàn)豐富程度[2,3]。為解決上述問題，現(xiàn)在越來越多的采用爬壁機(jī)器人、無人機(jī)、非接觸檢測(cè)儀等圖像采集設(shè)備來獲取結(jié)構(gòu)表觀圖像，但完全依靠人工識(shí)別圖像中的病害工作量太大，研究混凝土裂縫自動(dòng)識(shí)別算法意義顯著。

基于數(shù)字圖像處理的裂縫自動(dòng)識(shí)別算法受到廣泛關(guān)注，常用的分類器有支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)[4,5]，文獻(xiàn)[6]同時(shí)使用了這兩種分類器并做對(duì)比，認(rèn)為支持向量機(jī)構(gòu)建的裂縫識(shí)別算法具有更高識(shí)別準(zhǔn)確率，推薦使用支持向量機(jī)。但是不同分類器有各自的適用條件，考慮到實(shí)際工程使用初期裂縫出現(xiàn)少、收集的樣本集規(guī)模有從少到多逐步積累的特點(diǎn)，本文對(duì)少樣本與多樣本的條件下利用支持向量機(jī)與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行裂縫識(shí)別的效果進(jìn)行了對(duì)比分析。

1 算法流程

基于支持向量機(jī)與BP神經(jīng)網(wǎng)絡(luò)的混凝土裂縫自動(dòng)識(shí)別算法都包括圖像處理，圖像分割，特征提取，目標(biāo)識(shí)別4個(gè)步驟(見圖1)。本文中的圖像預(yù)處理和圖像分割這兩步均參考了文獻(xiàn)[2]中的灰度化公式、中值濾波與閾值分割算法。

在特征提取這一步中，選擇了像素?cái)?shù)比、寬高比和邊緣相似性三個(gè)可用于區(qū)分線狀對(duì)象和塊狀對(duì)象的特征值，以及線狀物骨架二階差分絕對(duì)值之和的平均值、骨架三階差分絕對(duì)值之和的平均值、骨架的擬合曲線與自身所圍成的平均面積、三個(gè)可區(qū)分裂縫和同樣具有狹長形態(tài)偽裂縫的特征值(見圖2)，共六個(gè)特征值組成了裂縫識(shí)別的特征向量，具體的計(jì)算方法參考文獻(xiàn)[7][8]。

2 算法識(shí)別效果對(duì)比

本文試驗(yàn)采用自建樣本庫，樣本圖取自于泰州大橋、紅楓湖大橋、魚梁州大橋等混凝土橋梁，樣本尺寸為128像素×128像素，類型包含裂縫樣本和非裂縫樣本，非裂縫樣本包括偽裂縫樣本和只包含塊狀物的一般背景樣本，部分樣本圖片如圖3～圖5所示。每張裂縫樣本圖像和偽裂縫樣本圖像僅含一條線狀物，樣本分為訓(xùn)練集和測(cè)試集。多樣本分類試驗(yàn)訓(xùn)練集包含900個(gè)樣本圖像，而測(cè)試集包含450個(gè)樣本圖像。少樣本分類試驗(yàn)訓(xùn)練集包含90個(gè)樣本圖像，而測(cè)試集包含45個(gè)樣本圖像。裂縫圖像、偽裂縫圖像和一般背景圖像的比例為1∶1∶1。

提取樣本圖像的像素?cái)?shù)比、寬高比、邊緣相似性、骨架二階差分絕對(duì)值之和的平均值、骨架三階差分絕對(duì)值之和的平均值、骨架的擬合曲線與自身所圍成的平均面積作為輸入矩陣。輸入矩陣的行代表一個(gè)特征向量，輸入矩陣的列代表所有樣本的某一特征值集合。然后對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，經(jīng)過標(biāo)準(zhǔn)化的處理能增加精度，它決定訓(xùn)練過程中運(yùn)行速度的快慢、能否順利收斂和泛化功能的強(qiáng)弱。數(shù)據(jù)標(biāo)準(zhǔn)化的公式如下：

(1)

其中，Xij為標(biāo)準(zhǔn)化的數(shù)據(jù)；xij為原始數(shù)據(jù)；μj為輸入矩陣第j列特征值的算數(shù)平均值；σj為輸入矩陣第j列特征值的標(biāo)準(zhǔn)差。

2.1 基于支持向量機(jī)的混凝土裂縫自動(dòng)識(shí)別結(jié)果

支持向量機(jī)采用徑向基核函數(shù)，需要確定的訓(xùn)練超參數(shù)有懲罰系數(shù)c和核函數(shù)超參數(shù)g。本文采用K折交叉驗(yàn)證法(K-CV)優(yōu)化懲罰系數(shù)c和核函數(shù)超參數(shù)g，使模型的預(yù)測(cè)精度達(dá)到最高，并使用這組超參數(shù)來訓(xùn)練模型。K折交叉驗(yàn)證的基本原理是將原始數(shù)據(jù)平均分成K組，將每組數(shù)據(jù)分別做一次驗(yàn)證集，同時(shí)其余K-1組數(shù)據(jù)作為訓(xùn)練集，這樣會(huì)得到K個(gè)模型，使用這K個(gè)模型驗(yàn)證集的分類準(zhǔn)確率的平均值作為此K折交叉驗(yàn)證下分類器的性能指標(biāo)[9]。使用優(yōu)化后的超參數(shù)訓(xùn)練的模型分類的測(cè)試結(jié)果分別如表1，表2所示。

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的混凝土裂縫自動(dòng)識(shí)別結(jié)果

表1 基于多樣本訓(xùn)練的支持向量機(jī)分類結(jié)果

表2 基于少樣本訓(xùn)練的支持向量機(jī)分類結(jié)果

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包含6個(gè)節(jié)點(diǎn)的輸入層，一個(gè)包含13個(gè)節(jié)點(diǎn)的隱含層和包含2個(gè)節(jié)點(diǎn)的輸出層。在訓(xùn)練參數(shù)選取方面，初始權(quán)值將在[-1,1]區(qū)間內(nèi)隨機(jī)產(chǎn)生，學(xué)習(xí)速率為0.01，期望誤差為0.001，最大訓(xùn)練次數(shù)選擇20 000，傳遞函數(shù)選擇Sigmoid函數(shù)，訓(xùn)練函數(shù)選擇Levenberg Marquardt算法。

多樣本訓(xùn)練的網(wǎng)絡(luò)模型和少樣本訓(xùn)練的網(wǎng)絡(luò)模型的Performance曲線如圖6，圖7所示。Performance曲線反映的是訓(xùn)練誤差的變化，訓(xùn)練誤差越小表明模型擬合精度越高，兩個(gè)模型的訓(xùn)練誤差均下降到0.001以下，網(wǎng)絡(luò)模型訓(xùn)練效果良好。使用測(cè)試樣本檢測(cè)訓(xùn)練好的網(wǎng)絡(luò)模型，結(jié)果如表3，表4所示。

表3 基于多樣本訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果

表4 基于少樣本訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果

2.3 識(shí)別結(jié)果對(duì)比分析

支持向量機(jī)在兩種訓(xùn)練條件下都能取得90%以上的識(shí)別率，高于相同訓(xùn)練條件下的BP神經(jīng)網(wǎng)絡(luò)的識(shí)別率；BP神經(jīng)網(wǎng)絡(luò)在多樣本訓(xùn)練條件下能取得較高的識(shí)別率，但在少樣本訓(xùn)練條件下取得的識(shí)別率低于70%。因?yàn)锽P神經(jīng)網(wǎng)絡(luò)是基于傳統(tǒng)統(tǒng)計(jì)學(xué)的基礎(chǔ)上的。傳統(tǒng)統(tǒng)計(jì)學(xué)研究的內(nèi)容是當(dāng)樣本數(shù)據(jù)趨于無窮多時(shí)的統(tǒng)計(jì)性質(zhì)，所以理論上訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)需要大量的樣本。在工程使用初期、裂縫樣本較少的情況下，采用支持向量機(jī)具有更高的分類能力；而到了工程使用中后期、裂縫樣本較多的情況下，BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)對(duì)裂縫識(shí)別能力基本相當(dāng)，均可以作為工程使用的識(shí)別算法，但是在考慮到訓(xùn)練成本與多分類需求的情況下，可能使用BP神經(jīng)網(wǎng)絡(luò)更為合適。

3 結(jié)語

本文利用三個(gè)能區(qū)分線狀物與塊狀物的特征量以及三個(gè)能在線狀物中將裂縫與水跡、劃痕等偽裂縫區(qū)分的特征量同時(shí)作為支持向量機(jī)或BP神經(jīng)網(wǎng)絡(luò)輸入來構(gòu)造了兩個(gè)算法，并在少樣本與多樣本情況下進(jìn)行了訓(xùn)練和測(cè)試。以支持向量機(jī)作為分類器的算法在多樣本和少樣本的訓(xùn)練條件下的總體識(shí)別率分別為94.2%和91.1%；以BP神經(jīng)網(wǎng)絡(luò)作為分類器的算法在多樣本和少樣本的訓(xùn)練條件下的總體識(shí)別率分別為92.4%和64.4%，以六個(gè)特征向量作為網(wǎng)絡(luò)輸入可一次性實(shí)現(xiàn)裂縫與非裂縫的區(qū)分。在少樣本情況下基于支持向量機(jī)的算法識(shí)別效果明顯優(yōu)越于基于BP神經(jīng)網(wǎng)絡(luò)的算法；在多樣本情況下兩種算法的識(shí)別效果基本一致。考慮到在工程使用初期、裂縫樣本較少的情況下，采用支持向量機(jī)具有更高的分類能力；而到了工程使用中后期、裂縫樣本較多的情況下，BP神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)對(duì)裂縫識(shí)別能力基本相當(dāng)，在考慮到訓(xùn)練成本與多分類需求的情況下，可能使用BP神經(jīng)網(wǎng)絡(luò)更為合適。