改進遺傳算法的混凝土橋梁路面裂縫檢測方法的優劣分析

黃 豪

（福建船政交通職業學院，福建 福州 350000）

0 引言

在橋梁路面建設過程中，會受到交通負荷與自然因素的影響，混凝土路面經常會出現裂縫，影響橋梁的使用壽命[1]。只有提高裂縫檢測效果，才能獲得最佳的路面裂縫數據。傳統路面檢測方法主要為人工檢測與智能檢測兩種方式。人工檢測不僅浪費人力物力，還存在一定的安全隱患[2]。人工檢測與智能檢測往往也會同時進行，智能檢測效果在一定程度上彌補了人工檢測的缺陷。然而，此種檢測方法在路面裂縫圖像的采集過程中，會受到天氣、采集路段、采集時間段的影響，噪聲干擾情況較多，使裂縫圖像模糊、扭曲，無法進行裂縫特征提取，影響最終的檢測精準度[3]。基于此，本文設計了改進遺傳算法的混凝土橋梁路面裂縫檢測方法，并研究其檢測效果，評判其優劣。

1 改進遺傳算法的混凝土橋梁路面裂縫檢測方法的設計

1.1 采集混凝土橋梁路面裂縫圖像數據

混凝土橋梁路面裂縫類型分為橫向裂縫、縱向裂縫、網格裂縫、塊狀裂縫、推擠裂縫、荷載型裂縫、非荷載型裂縫、低溫收縮裂縫、溫度疲勞裂縫、反射裂縫等。上述裂縫類型從輕度到重度過渡，對橋梁的使用壽命造成了較大的影響[4]。與傳統裂縫檢測方法不同，本文設計的方法需要對相同區域進行多次圖像數據采集，并將圖像數據以幀為單位進行處理與特征提取。在圖像數據實際采集過程中，不可避免會受到路面情況與自身環境因素的影響，采集到的圖像數據并不完全清晰，多次采集之后，可以將圖像中最為清晰的數據提取出來，合成一張清晰的圖像數據，作為最終檢測的標準圖像[5]。使用改進遺傳算法的檢測方法需要大量的圖像數據支持，才可以提取出更多的裂縫特征。因此，采集到的圖像數據也是越多越好。

1.2 基于改進遺傳算法進行裂縫圖像數據預處理

按照上述采集方式得到大量的圖像數據后，可以了解到路面基本裂縫情況。本文對采集出來的圖像進行去噪處理，圖像中由于拍攝角度問題，圖片光照不足，裂縫檢測難度增加[6]。因此，本文在處理圖像數據的過程中，首先要去除圖像噪聲情況。改進遺傳算法的圖像效果較好，可以考慮到圖像的位置信息與像素信息，進行綜合評定，在有效去除噪聲的基礎上，保留住圖像邊緣特征信息。圖像的改進遺傳去噪公式如下：

（1）～（4）式中：εs(m,n)——非線性濾波去噪數據；

m、n——需要去噪處理的圖像位置信息；

s——鄰域值；

λ——濾波系數；

x、y——圖像邊緣信息；

A——特定權值；

εl(m,n)——改進性濾波去噪數據；

l——改進鄰域值；

g(x,y)——圖像像素值；

B——改進權值；

ε(m,n)——去噪后的圖像數據；

f(x,y)——圖像經過濾波處理后的像素值；

V(x,y)——圖像中心點的其他鄰域值。

因此，當f(x,y)=g(x,y)時，圖像去噪效果較強。

1.3 提取裂縫特征

根據多個圖像數據拼湊成較為清晰的圖像之后，對該圖像上的信息進行特征提取。清晰圖像中存在較多的復雜背景，很可能涵蓋到裂縫特征的真實分布情況。由于利用改進遺傳算法處理裂縫圖像數據，圖像可以得到更加清晰的成像，更有利于特征提取。對于普通圖像數據而言，像素為2096×2098，原圖像數據的像素為4098×4098。為了便于數據特征提取，本文將原圖像數據進行統一裁剪，使其像素為255×255[7]。本文利用改進遺傳算法，將圖像特征分為兩部分提取。第一部分，圖像像素為201×201×1，選取的遺傳核大小為8×8，遺傳深度為62，迭代次數為4，改進后的輸出為50×50×62，再分成兩組進行遺傳迭代，迭代后的最終輸出為25×25×31；第二部分，圖像像素為25×25×31，遺傳核大小為5×5，卷積深度為64，pad為2，再次進行迭代，輸出為12×12×64。此時，得出的圖像特征更加精準。

1.4 實現路面裂縫的精準檢測

為了實現路面裂縫的精準檢測，在采集到圖像數據之后，對圖像數據進行預處理，再次提取到的圖像特征更加準確。在此基礎上，對圖像進行色彩調整，圖像色度修正域為POSc（G），則色度調整公式如下：

（5）～（7）式中：p——色度客觀值；

POSc(G)——圖像色度修正域；

T——遺傳區間；

σm(x)——色度調整后的邊緣區間；

G——遺傳關系系數；

xIND（R）y——遺傳粗糙函數取值。色度調整后的圖像數據更加清晰，裂縫檢測效果更佳。

2 仿真試驗

為了驗證本文設計的檢測方法是否具有實用效果，搭建出一個仿真試驗平臺，對上述方法進行仿真試驗驗證。試驗將傳統混凝土橋梁路面裂縫檢測方法與改進遺傳算法的混凝土橋梁路面裂縫檢測方法的結果進行對比。

2.1 試驗過程

在進行試驗之前，本文對仿真試驗平臺的試驗環境進行配置。試驗設備CPU使用的是Intel Core i7-7700K，內存RAM為64G，PC機操作系統為Windows 10。試驗平臺整體框架為Keras2.2.4，采用Anaconda2，8.0版本的Cuda，Cudnn的版本為7.2.1，開發語言為Python3.5。在此環境下，仿真試驗平臺中的原始數據量將會非常龐大，檢測處理時間與運行工具將會受到限制。本次試驗隨機選取其中10%的數據作為仿真試驗的數據集與測試數據集的來源，為檢測方法提供良好的仿真環境。在數據集中存在較多的數據記錄，每條數據記錄具有不同的條件屬性與決策屬性，數值類型的屬性較多。

因此，在數據運行過程中進行數字化處理，將數據集中的標點符號去掉，數據形式更加便于理解；再將數據集進行二進制處理，進一步簡化數據集的數據內容。由于普通的計算形式很容易造成裂縫特征值不規范，在一定程度上會加大計算量，甚至會忽視數據集的某些特征。本文利用改進遺傳算法，對數據集進行歸一化處理，簡化數據集的初始值與歸一化值。數據集處理完成之后，對含有多個條件屬性的數據進行判斷，分析數據集是否處于正常狀態，此時對裂縫檢測方法的檢測精準度進行計算，公式如下：

式中：Jc——裂縫檢測精準度指標；

Sg——數據集歸一化處理結果；

Xc——訓練集數據初始值；

Ys——正常遺傳數據。

由此得出，在訓練時間不超過200s時，檢測精準度指標≥0.995；當訓練時間超過200s時，檢測精準度指標≥0.990，檢測精準度較高。

2.2 試驗結果

在上述試驗條件下，本文選取了橫向裂縫、縱向裂縫、網格裂縫、塊狀裂縫、推擠裂縫、荷載型裂縫、非荷載型裂縫、低溫收縮裂縫、溫度疲勞裂縫、反射裂縫等類型。并將傳統混凝土橋梁路面裂縫檢測方法的檢測耗時，與本文設計的改進遺傳算法的混凝土橋梁路面裂縫檢測方法的耗時進行對比，試驗結果如表1所示。從表1可知，本文選取的橫向、縱向、網格、塊狀、推擠、荷載型、非荷載型、低溫收縮、溫度疲勞和反射等裂縫類型，每一種類型裂縫檢測消耗的時間不同。在相同試驗條件下，傳統混凝土橋梁路面裂縫檢測方法的檢測耗時較長，與標準檢測耗時相差±0.040s左右。其中，網格裂縫與荷載型裂縫耗時與標準耗時相差較多。而改進遺傳算法的混凝土橋梁路面裂縫檢測方法的耗時較短，與標準檢測耗時相差±0.001s左右，甚至推擠裂縫、非荷載型裂縫、反射裂縫等檢測耗時，與標準耗時保持高度一致，檢測效果更佳，符合本文研究目的。

表1 試驗結果（單位:s）

3 結束語

本文研究了改進遺傳算法的混凝土橋梁路面裂縫檢測方法。通過對路面裂縫圖像的數據進行采集，分析裂縫產生原因；然后提取出裂縫圖像特征情況，綜合判定裂縫類型；并對裂縫特征數據進行處理，提高裂縫檢測的精準度。采用仿真試驗進行對比分析可知，新的檢測方法因檢測用時更短，檢測精準度較高，提高了路面檢測效果，為橋梁建設提供保障。