基于卷積神經網絡的橋梁裂縫檢測研究★

楊紫艷 馬龍博 鄧 凌 史有玉

(東北林業大學土木工程學院，黑龍江 哈爾濱 150040)

0 引言

橋梁在役期間受環境等因素的影響，其自身各部分結構會產生不同程度的損傷和劣化。常見的橋體結構病害特征有裂縫、剝蝕、鋼筋銹蝕、混凝土碳化等，而橋梁裂縫作為一種主要的橋體結構病害特征，對橋梁健康狀態綜合評定結果有重要影響[1]。

傳統的人工檢測方法，在檢測效率、檢測精度上、勞動強度、成本等方面存在很多不足[2]。近年來，無人機被廣泛地應用在施工和工程質量檢測工作中，大量學者研究基于無人機的橋梁裂縫自動化檢測技術：基于無人機采集圖像和相關數據，利用圖傳技術收集橋梁外觀信息，研究圖像識別算法，實現橋梁裂縫的自動化檢測識別，其技術的核心問題和研究重點是圖像識別算法。傳統的圖像處理算法在裂縫識別效果上無法滿足橋梁檢測工作的要求。卷積神經網絡的出現，很大程度上提升了圖像識別的準確率[3-5]，應用該算法實現圖像識別的效果已經得到大量學者的驗證。

本文以卷積神經網絡為基礎，提出一種基于無人機的橋梁裂縫識別的技術，該技術為實現橋梁自動化檢測提供一定幫助。

1 國內外基于卷積神經網絡的圖像識別技術研究現狀

卷積神經網絡的研究最早開始于20世紀80年代，一些學者開展了卷積神經網絡(CNN)的相關科研工作，并在手寫數字識別中取得了良好的圖像自動化識別效果[6]。然而受計算機性能等因素限制，此時卷積神經網絡無法很好地對大規模的數據進行識別分析。2012年AlexNet網絡的出現說明卷積神經網絡在大數據分析上存在更多的可能性。此后，更多更深的卷積神經網絡模型被提出。如今，輕量型的卷積神經網受到更多人的認可。縱觀卷積神經網絡的發展史，卷積神經網絡模型經歷了從簡到繁再到簡的過程。

近年來，國外對基于卷積神經網絡的圖像識別技術的應用進行了深入研究。基于CNN的圖像識別技術不僅被應用在工程建設領域，在醫學上也可用于實現醫學影像的識別分析。國內學者對卷積神經網絡的研究也取得了一定的進展，如溫作林等[7]設計了一種名為CrackNet的深度卷積神經網絡架構用于提取圖像特征，較好地實現了橋梁裂縫的檢測識別與定位，通過模型訓練結果分析，該模型表現出較強的魯棒性和高效性。

2 卷積神經網絡概述

卷積神經網絡，在訓練速度上優于其他機器學習算法，其可通過局部感知、權值共享和池化等方法大大減少層間的連接和所需要的參數，加快神經網絡訓練的速度。卷積神經網絡架構一般由以下五層構成：輸入層、卷積層、池化層、激活層、全連接層。

輸入層用于數據預處理，可通過數據標準化、歸一化、去均值等方式處理用作訓練的數據。卷積層主要用于圖像特征的提取，卷積核以一定的步長以滑動窗口的形式與圖像矩陣做數乘法后求和。池化可聚合卷積操作提取的特征，降維減少運算量。卷積后的特征圖有相當多的冗余信息，池化的目的就是去除冗余信息，同時保留圖片最重要的信息，常見的池化方式有平均池化、最大池化、求和池化。模型采用最大池化方式進行特征的聚合。激活層利用激活函數解決了部分圖像數據非線性可分的問題，可提高深層神經網絡的表達能力。全連接層則整合局部信息，同時將輸出的值送給分類器。

3 圖像預處理

3.1 數據集的建立

選擇合適的橋梁作為調查對象，利用無人機搭載攝像頭近距離提取橋梁外觀影像數據。處理實地調研收集到的圖片數據和從網絡資源中搜集到的橋梁部位圖片作為原始樣本集。鑒于數據集的大小對算法的準確率會產生一定的影響，可通過擴大數據集的方式解決模型的過擬合問題。將處理好的原始圖片通過原始裁剪、平移變換、旋轉變換等增加訓練數據。然后，將處理好的每一副圖片進行編號，將其標記為裂縫或非裂縫，用于模型的訓練、測試和驗證。取樣本集中的部分圖片預覽如圖1所示。

3.2 邊緣檢測

邊緣檢測是圖像預處理中常用的處理原始圖像樣本的方法。邊緣檢測主要檢測的是圖片顏色變化比較明顯的地方。原始樣本圖片的邊緣檢測預處理對于卷積神經網絡特征的提取具有重要的意義，在一定程度上能提高模型訓練的準確率。本文采用Roberts算子進行邊緣檢測，該算子對于低噪聲的圖像具有良好的處理效果。經過Roberts算子邊緣檢測處理后的效果如圖2，圖3所示。

3.3 數據標準化

由于拍攝環境的不同，圖片的灰度、曝光度存在差異，對模型權值更新將產生一定影響。對訓練集圖片數據進行標準化處理可在一定程度上增強模型的泛化能力，模型采用z-score數據標準化方式，具體公式為：

其中,μ為原始圖像數據的均值；x為圖像矩陣；σ為原始數據的標準方差。

4 定義卷積神經網絡

4.1 卷積神經網絡架構

該模型以兩組卷積核和池化層為基礎，通過兩層全連接層連接特征，采用Softmax分類器輸出在每個可能的類標簽上的概率分布，然后分析類標簽上的概率分布對圖像進行分類。卷積神經網絡架構如表1所示。

表1 卷積神經網絡架構

4.2 激活函數

激活函數又稱激勵函數，sigmoid,tanh,Relu,ELU,Maxout等是常見的幾種激活函數。通常激活函數具有以下部分特性：非線性、連續可微、單調性、范圍最好不飽和、在原點近似線性。需要注意的是，目前沒有一種激活函數能滿足以上全部性質。本文采用非飽和激活函數Relu：

f(x)=max(0,x)。

Relu函數圖像如圖4所示，由圖4可知，相較于其他激活函數，Relu函數只需要判斷輸入是否大于0，因此在訓練速度上Relu函數要快很多。

4.3 局部響應歸一化

無人機拍攝的橋梁外觀圖片存在亮度不均的問題，為了削弱圖片不同亮度對橋梁裂縫檢測的影響，添加局部響應歸一化層用于構建卷積神經網絡的局部側抑制機制。局部響應歸一化(LRN)可將不同卷積核Relu后的特征歸一化，提高深度學習準確度、增強模型的響應能力。批量歸一化(BN)同樣可增強模型的泛化能力，與局部響應歸一化(LRN)側抑制機理不同，批量歸一化(BN)則通過減少內部協變量轉移實現數據的歸一化處理。

LRN首次由Alexnet提出：

4.4 邊界填充

卷積層在提取圖像局部特征的過程中，圖像隨著卷積操作的進行逐漸變小，容易導致圖像邊界信息的丟失，但邊界信息對特征的提取同樣發揮著一定的作用。為減少邊界信息特征的損失，模型對圖像進行邊界填充處理。

5 模型的訓練與預測

利用經過數據預處理的訓練集訓練搭建好的卷積神經網絡模型，并利用優化器不斷更新和計算網絡參數值，使損失函數最小化(或最大化)。在神經網絡模型訓練中，常見的優化器有SGDM，Adam，Adagrad等，模型采用自適應估計Adam作為優化器，對權重、偏置項和學習率進行修正，設置基礎學習率為0.000 1，訓練步數為6 000。

模型經過訓練后可得出多個不同的模型，之后，用驗證集驗證各個模型的性能和分類能力。此時，同一參數的不同取值可擬合出不同的分類器。

模型經過訓練集和測試集訓練后各項參數達到較優值。最后，利用測試集預測模型的正確率、損失率等各項指標。同時，檢驗模型識別裂縫圖片的準確率，實驗結果顯示該模型具有良好的識別效果。

6 結論

1)本文證實了無人機在橋梁外觀檢測工作中的應用價值：利用無人機代替人工巡檢，通過記錄航空攝影采集橋梁結構圖片數據，并進行高精度定位，同時可對橋梁外觀易損結構進行重點檢測，有利于提高橋梁養護工作效率，消除人工檢測的弊端，推進土木工程領域的智能化水平。

2)本文將無人機和基于卷積神經網絡的圖像識別技術結合在一起，實現了橋梁裂縫的自動化檢測：整理無人機獲取的橋梁外觀圖片，并對其進行預處理。搭建卷積神經網絡模型訓練處理好的橋梁樣本數據集，利用訓練好的模型識別橋梁裂縫圖片和完好圖片，實驗結果表明該方法在識別效果上優于傳統的圖像處理技術。通過該例子可證明基于卷積神經網絡的圖像識別技術在橋梁裂縫識別中的實用性和可行性。該技術還可用于道路、房屋建筑等裂縫的識別，能有效減少建筑物安全巡檢的人力、物力，在道路橋梁等建筑物的養護上具有廣泛的用途。