基于機器學習的RC橋梁病害檢測方法

楊建華，鄒俊志

(1.中交基礎設施養護集團寧夏工程有限公司 銀川市 750000； 2.重慶交通大學 土木工程學院 重慶市 400074)

0 引言

伴隨著橋梁的長期服役，混凝土材料的逐漸老化，在役橋梁會不可避免地產生開裂、蜂窩、麻面、露筋銹蝕等病害[1]，對橋梁的安全性和耐久性是極大考驗。針對這類帶病服役的橋梁，如何快速而有效地檢測出橋梁病害成為橋梁運營維護的關鍵。傳統的人工判別病害由于工作量大、主觀性強、效率低等缺點，逐漸不能適應人們的需求。

隨著計算機技術的不斷發展，機器學習以其智能化、高效率、低成本的特點[2]，逐漸應用于橋梁病害檢測領域。針對橋梁檢測獲得的大量病害圖像，從圖像中自動定位并識別病害來代替傳統的人工判別，實現更有效的橋梁運營期管理，是目前研究發展的主要方向。從現有橋梁病害檢測方法、常用的機器學習方法及其在橋梁病害檢測中的應用進展三個方面進行綜述，最后分析了目前橋梁病害檢測所面臨的挑戰及發展。

1 現有RC橋梁病害檢測方法

我國在役橋梁大部分為鋼筋混凝土(Reinforced Concrete，RC)橋梁，而其缺陷類型較多，主要包括裂縫、剝落、蜂窩麻面、漏筋銹蝕、空洞等病害[3]。這些病害中既存在特征明顯，易判別的空洞等病害；也存在寬度較小，易忽略的裂縫等病害。傳統的人工判別病害，雖然簡單且靈活，但受限于工作量大、效率低等缺點，檢測中錯檢及漏檢狀況頻出。且隨著橋梁體量的不斷增長，待檢橋梁數量的與日俱增，缺點更將進一步放大。而以聲發射、超聲脈沖、紅外熱像為代表的無損檢測技術[4]，雖能夠探測出橋梁內部病害，但在自動化場景中應用有限，且現有工程中仍處于定性識別病害階段，達不到對病害的定量分析。

為解決傳統檢測方法的局限性，近年來無人機在土木工程外觀評估方向迅速發展。通過無人機搭載高清相機對橋梁進行結構外觀檢查，獲取結構缺陷圖像，結合圖像處理與機器學習技術進行病害檢測，已成為領域研究熱點。

2 機器學習方法

2.1 機器學習理論

機器學習，指通過算法發現大量樣本數據中的隱含規律，建立網絡模型對數據作分類或預測[5]。機器學習按照樣本數據是否存在人工標注，分為有監督學習和無監督學習。現有研究中，機器學習方法應用在橋梁病害檢測領域，以有監督學習為主。

2.2 有監督學習算法

(1)BP神經網絡

BP神經網絡由輸入層、隱藏層和輸出層組成，結構如圖1所示。BP神經網絡包括前向傳播和誤差后向傳播兩個階段。算法通過計算網絡輸出值同期望的差值，不斷更新網絡權重和偏置參數，直到最后滿足誤差要求[6]。盡管BP算法具有較好的非線性映射能力，但由于其收斂速度慢和易陷入局部極小值的缺點，每次訓練結果可能都有所差異。

(2)支持向量機

支持向量機(SVM)是一種二值分類模型，其決策思路是找到一個能夠正確劃分數據集且幾何間隔最大的超平面[7]。如圖2所示，w·x+b=0即分離超平面。距離超平面最近的點，即虛線穿過的樣本被稱為支持向量，其間距為兩倍到超平面的距離。SVM具有較好的魯棒性和泛化能力，但不適用于大規模數據集，在多分類問題中效果較差。

(3)卷積神經網絡

卷積神經網絡(CNN)是由Lecun[8]提出的一種深度神經網絡結構。由于CNN采取了權值共享、局部連接的方式，降低了模型的復雜度，解決了數據量過大時傳統神經網絡無法學習的問題，目前已廣泛應用于圖像識別領域中。

(4)Faster R-CNN目標檢測算法

Faster R-CNN是由Girshick[10]等提出的一種基于候選區域的目標檢測算法。Faster R-CNN目標檢測算法分為兩步，首先使用區域候選網絡(RPN)來定位目標，再針對目標進行位置的預測和分類。由于Faster R-CNN采用了候選框加檢測框的步驟，在目標檢測中常取得較高的分類正確率。

(5)YOLO v3目標檢測算法

YOLO v3是Redmon[11]等提出的一種基于回歸的目標檢測算法。相比Faster R-CNN算法,YOLO算法更加迅速，它直接預測目標邊界框所處位置，識別目標的細節特征進行目標檢測。YOLO v3采用了Darknet-53(53個卷積層)的網絡結構，對圖片進行了總共5次下采樣，最終生成3個不同尺度的目標特征圖，以針對不同尺度大小目標的檢測。

3 基于機器學習的病害檢測應用

鋼筋混凝土橋梁病害檢測，本質上是基于計算機視覺的目標檢測問題。目前基于機器學習的病害檢測方法主要分為兩類，一類是通過手工提取圖像特征，結合機器學習算法進行分類和預測。另一類則是利用深度學習算法，自動提取圖像特征，輸出目標病害位置及類別。

3.1 手工提取圖像特征結合機器學習

這類方法主要通過手工提取圖像特征，如裂縫形態、梯度直方圖(HOG)特征等，結合BP、SVM等淺層神經網絡進行預測或分類。鐘新谷[12]等人以八旋翼無人機為平臺，對某大橋進行實橋成像試驗，提取出橋梁裂縫形態特征圖，結合支持向量機進行裂縫識別，用235個訓練樣本為驗證，分類正確率為94%。證實了無人機成像的橋梁裂縫形狀和寬度具有可靠性。但該類方法需要人為提取圖像特征，且淺層神經網絡只能處理少量樣本，在環境復雜且病害樣本量巨大的橋梁病害檢測中應用有限。

3.2 基于深度學習的病害檢測方法

隨著深度學習的不斷發展，以CNN為代表的深層神經網絡能夠自動提取圖像特征，處理大量圖像數據的同時保證了較高的分類正確率，促進了基于深度學習的病害檢測技術的發展。沙愛民[13]等人將CNN引入路面病害識別，對12800張512×512像素圖像進行裂縫、坑槽特征提取，分別取得了98.99%、95.32%的病害判別準確率，證明了卷積神經網絡精度足以滿足裂縫、坑槽等病害的復雜形態特性。但在橋梁病害檢測中，我們顯然更關心病害所處位置及其類別。

以Faster R-CNN、YOLO v3等基于CNN的目標檢測算法，不僅能夠輸出目標病害類別，同時可以預測目標病害所處位置，進一步推動了橋梁病害檢測智能化的發展。Cha[14]等人使用Faster R-CNN算法，對2366張多種損傷類型圖像進行識別和定位，包括混凝土裂縫和不同程度的螺栓、鋼板腐蝕等5種損傷類型，取得了87.8%的平均分類準確率。Zhang[15]等人基于YOLO v3算法，對2206張混凝土橋梁病害檢測圖像進行病害識別和定位，結合遷移學習策略以改善訓練樣本不足的問題，成功實現了裂縫、露筋、剝落、保護層脫落4種病害的識別以及定位，其平均分類準確率達80%。

4 結論

基于深度學習的橋梁病害檢測方法，無疑更適用于橋梁自動化檢測場景，有利于推動橋梁檢測實現更智能的運營期管理。但現有研究中，仍面臨著許多難題有待解決：

(1)深度學習對訓練樣本數量要求較高，實際訓練過程中有標簽病害圖像數量有限。

(2)RC橋梁病害中，存在裂縫等寬度較小病害，在圖像中目標過小，識別難度較大，這也是現有研究中多病害分類正確率不高的原因。