纖維混凝土橋梁外表裂縫檢測技術(shù)的仿真模型實驗

李喬喬

(廣東交科檢測有限公司,廣東 廣州 510550)

目前,橋梁裂縫的檢測識別主要是基于機器學習的方法,如針對傳統(tǒng)人工檢測方法存在成本高和危險性高的問題,結(jié)合無人機技術(shù)與機器學習,提出一種基于Mask R-CNN的橋梁結(jié)構(gòu)裂縫智能識別方法[1]。以卷積神經(jīng)網(wǎng)絡為核心算法,通過采用無人機技術(shù)拍攝的橋梁結(jié)構(gòu)圖像構(gòu)建數(shù)據(jù)庫,提出一種混凝土橋梁裂縫識別與定位方法[2]。提出一種基于加入殘差塊的橋梁裂縫像素級檢測算法,實現(xiàn)了橋梁裂縫的快速識別[3]。通過上述研究可以發(fā)現(xiàn),基于機器學習的檢測識別方法在橋梁裂縫檢測中取得了良好的檢測效果,但有學者認為,現(xiàn)有的各種基于機器學習的檢測方法對橋梁纖維混凝土裂縫的檢測準確率有待進一步提高[4]。為解決該問題,以橋梁表面常用的纖維混凝土作為研究對象,提出一種基于改進VGG16的橋梁纖維混凝土裂縫檢測方法。

1 基本算法

1.1 VGG16模型

VGG16模型是一種常用于目標檢測的高效識別算法模型,基本網(wǎng)絡結(jié)構(gòu)如圖1所示[5]。該模型輸入圖像大小為224×224×3,通過2個卷積層進行卷積與矩陣填充,可得到224×224×1的矩陣。由于第1層包括64個卷積核,因此可得到224×224×64的矩陣。然后通過卷積核大小為2×2×64,步長為2的5層池化層,可得到7×7×512的矩陣[6]。最后,進入具有3層結(jié)構(gòu)的全連接層,再進行Softmax分類,即可實現(xiàn)對樣本的分類處理,得到當前樣本屬于不同種類的概率分布。

圖1 VGG16模型結(jié)構(gòu)示意圖

1.2 VGG16模型改進

研究對VGG16模型的改進主要集中在3個方面:(1)將3層卷積層和5層池化層修改為6層包括卷積層和池化層的大卷積層,對輸入圖像進行卷積運算加深網(wǎng)絡,以適當提高模型的識別精度;(2)對卷積核和池化窗口進行改進,將卷積核大小設(shè)置為3×3,池化窗口尺寸設(shè)置為2×2,以增加網(wǎng)絡的感受野;(3)同時降低模型的參數(shù)量,進而提高模型的運行效率[7]。

通過上述改進,得到改進后VGG16模型結(jié)構(gòu),具體如圖2所示,由輸入層、輸出層、大卷積層、全連接層、softmax分類層組成。其中,卷積核的大小均為3×3,步長為1;池化窗口大小為2×2,步長為2。輸入224×224×3的圖像通過大卷積層卷積和池化后,可得到3×3×512的矩陣輸入3層全連接層,然后通過Softmax分類與輸出層輸出,即可對圖像進行分類識別。

圖2 改進VGG16模型結(jié)構(gòu)示意圖

改進后的VGG16模型相較于標準VGG16模型,具有更快的訓練速率和更高的識別精度。因此,研究采用改進的VGG16模型對橋梁表面纖維混凝土裂縫進行檢測,以實現(xiàn)高速率高精度的裂縫識別。

2 基于改進VGG16的橋梁表面纖維混凝土裂縫檢測模型

2.1 模型訓練

2.1.1激活函數(shù)確定

激活函數(shù)是影響改進VGG16模型訓練的關(guān)鍵參數(shù)。常見的激活函數(shù)包括Sigmoid函數(shù)、Relu函數(shù)和Tanh函數(shù)等。相較于其他激活函數(shù),Relu函數(shù)由于采用隨機梯度下降法進行訓練,解決了梯度消失的問題,可提高模型的稀疏表達能力。因此,研究選用Relu函數(shù)作為改進VGG16模型的激活函數(shù),其數(shù)學表達式[8]:

f(x)=max(x,0)

(1)

2.1.2損失函數(shù)確定

損失函數(shù)是解決模型過擬合的參數(shù)。神經(jīng)網(wǎng)絡常用的損失函數(shù)包括L1正則化損失和L2正則化損失兩種。其中,相較于L1正則化不可導,L2具有可求偏導的特性更適用于改進VGG16模型。因此,研究改進VGG16模型選用L2正則化損失,其數(shù)學表達式[9]:

(2)

式中:R(w)為模型復雜函數(shù),表示模型復雜程度;wi為參數(shù)i的權(quán)重。

2.1.3反向傳播算法確定

常用反向傳播算法包括梯度下降法和隨機梯度下降法等。雖然隨機梯度下降法訓練時間更短,但若隨機性太強,可能達不到理想尋優(yōu)結(jié)果[10]。因此,為實現(xiàn)快速訓練并取得尋優(yōu)結(jié)果,研究對部分數(shù)據(jù)采用梯度下降法進行反向傳播,對剩余部分數(shù)據(jù)采用隨機梯度法進行反向傳播。

2.1.4學習率確定

學習率即神經(jīng)網(wǎng)絡每次訓練時參數(shù)移動的幅度。為確定學習率,研究采用指數(shù)衰減法先以較大的學習率確定范圍,然后再不斷減小學習率確定其最佳值。指數(shù)衰減法的數(shù)學描述[11]:

η=η0×λ(α/β)

(3)

式中:η、η0分別為指數(shù)衰減學習率和初始學習率;λ為學習率衰減系數(shù);α/β為總樣本數(shù)與訓練輪次的比值。

2.2 模型檢測流程

(1)收集整理相關(guān)橋梁纖維混凝土裂縫的圖像。考慮到圖像可能存在陰影、扭曲等問題,需對圖像進行預處理;(2)將預處理后的橋梁纖維混凝土裂縫圖像輸入訓練完成的改進VGG16模型中進行學習與訓練;(3)將改進VGG16模型的輸出作為檢測識別結(jié)果,即實現(xiàn)了橋梁纖維混凝土裂縫的檢測。

3 仿真實驗

3.1 實驗環(huán)境搭建

實驗基于TensorFlow深度學習框架和Python語言搭建并訓練所提改進VGG16模型,使用Visual Studio Code編譯器,在Windows10操作系統(tǒng)上運行。系統(tǒng)配置Intel(R)Xeon(R)Gold6152 CPU,NVIDIA Tesla P40顯卡,24 GB顯存,256 GB內(nèi)存。

3.2 數(shù)據(jù)來源及預處理

本次實驗數(shù)據(jù)來自2個部分:一是自主拍攝的橋梁纖維混凝土裂縫圖像;二是網(wǎng)絡搜尋的橋梁纖維混凝土裂縫圖像。針對網(wǎng)絡搜尋的圖像,考慮到圖像采集過程中可能存在變形、模糊、亮度不均勻等問題,試驗前對圖像進行了預處理。考慮到圖像數(shù)量對于機器學習的神經(jīng)網(wǎng)絡模型相對較少,實驗對圖像進行裁剪、縮放、翻轉(zhuǎn)等進行增強處理。共獲取用于橋梁纖維表面混凝土裂縫檢測的圖像共5 000張。

3.3 評價指標

本次實驗選用準確率(CCR)作為評估所提改進VGG16模型性能的指標,其計算方法[12]:

(4)

式中:T1、T2分別為分類正確樣本數(shù)及樣本總數(shù)。

3.4 超參數(shù)設(shè)置

超參數(shù)是影響模型精度的重要參數(shù),包括初始學習率、批大小、優(yōu)化器、迭代次數(shù)[13-15]。為獲取最佳模型超參數(shù),研究通過控制變量法試驗進行確定。圖3所示為批大小、優(yōu)化器、迭代次數(shù)3個超參數(shù)一致條件下,不同初始學習率所提改進VGG16模型的準確率。

圖3 不同初始學習率條件下改進VGG16模型的準確率

由圖3可知,當初始學習率為0.01時,所提模型的訓練準確率和測試準確率最高。因此,實驗設(shè)置所提改進VGG16模型的初始學習率為0.01。

圖4為初始學習率為0.01時,相同優(yōu)化器和迭代次數(shù)條件下,不同批大小時所提改進VGG16模型的準確率。

圖4 不同批大小條件下改進VGG16模型的準確率

由圖4可知,當批大小為32時,所提模型的訓練準確率和測試準確率最高。因此,本次實驗設(shè)置所提模型的批大小為32。

圖5為初始學習率為0.01、批大小為32,迭代次數(shù)相同而優(yōu)化器不同條件下,所提改進VGG16模型的準確率。

圖5 不同優(yōu)化器條件下改進VGG16模型的準確率

由圖5可知,采用梯度下降法作為反向傳播優(yōu)化器時,模型的訓練準確率和測試準確率均高于與Adam作為優(yōu)化器。因此,本次實驗設(shè)置所提模型的優(yōu)化期為梯度下降法。

圖6為初始學習率為0.01、批大小為32、優(yōu)化器為梯度下降法時,所提改進VGG16模型在不同迭代次數(shù)下的準確率。

圖6 不同迭代次數(shù)下改進VGG16模型的準確率

由圖6可知,當?shù)螖?shù)為25時,所提模型的訓練準確率和測試準確率最高。因此,本次實驗設(shè)置所提模型的迭代次數(shù)為25。

4 結(jié)果與分析

4.1 算法驗證

為驗證所提改進VGG16模型的有效性,基于上述超參數(shù),實驗對比了改進前后模型的訓練準確率和測試準確率,結(jié)果如圖7所示。

圖7 VGG16模型改進前后準確率對比

由圖7可知,相較于改進前VGG16模型,所提模型的訓練準確率和測試準確率均得到了不同程度提升,分別達到98.65%和97.89%。由此說明,本研究對VGG16模型改進有效。

4.2 算法應用效果對比

圖8為圖片規(guī)范采集條件下,所提模型與對比模型對存在腐蝕的橋梁纖維混凝土裂縫的識別結(jié)果。

(a)原始圖像

由圖8可知,所提改進VGG16模型可有效識別分類橋梁纖維混凝土裂縫;而Canny模型在腐蝕產(chǎn)物的干擾下不能提供裂縫的有效信息,不能對裂縫進行有效識別。Sobel模型的識別結(jié)果存在較大的干擾,可提供部分裂縫信息,識別能力有限。改進VGG16模型在橋梁纖維混凝土裂縫檢測識別中,相較于常規(guī)檢測識別方法,具有一定的優(yōu)越性。

5 結(jié)語

綜上所述,所提基于機器學習的橋梁纖維混凝土裂縫檢測方法,通過減少VGG16部分卷積核和全連接層通道數(shù)量,并在卷積層和全連接層后添加Relu函數(shù),同時引入Dropout,提高模型的運行速率和識別精度,可實現(xiàn)高速率高精度的橋梁纖維混凝土裂縫檢測識別。相較于標準VGG16模型以及常規(guī)檢測識別模型Canny模型和Sobel模型,所提改進VGG16模型可實現(xiàn)對存在陰影、扭曲等問題的橋梁纖維混凝土裂縫圖像的檢測識別,且具有更好的識別準確率,訓練準確率和測試準確率分別達到98.65%和97.89%,具有一定的實際應用價值。