基于遙感數據的工程結構損傷動態識別研究

關宏潔，田 晶，王 群

（1.西安歐亞學院，陜西 西安 710065；2.西安市建筑設計研究院有限公司，陜西 西安 710054）

1 引言

遙感數據一般指遙感影像，其優勢為速度快、成本低、覆蓋廣及宏觀性等［1］，遙感技術正處于繁榮發展期，完善技術、能力增強同時不斷開拓新的應用領域，目前遙感數據已在災害監測、資源管理、城市規劃、軍事偵察、重大工程等各個領域作出重大貢獻［2］。隨著衛星影像分辨率大幅度提升，遙感技術為獲取工程地質綜合信息源提供強有力的支撐，受到國家高度重視并獲得大額財政投入。

近年來我國經濟高速騰飛，科技水平獲得重大突破，建造諸多具有藝術性及高科技含量的建筑物：港珠澳大橋、天津117大廈、湖北葛洲壩水利樞紐工程、渤海海域海洋平臺及臺山核電站等。隨著使用年限的增長，受工程結構老化、環境腐蝕、超荷載使用及遭遇自然災害等因素影響，勢必出現不同程度的結構損傷［3］，工程結構的耐受性及承載能力大打折扣，極端條件下存在重大工程事故隱患［4］。為防患于未然，必須定期、及時監測工程結構狀況，確保結構的完整性與安全性。文獻［5］以振動特性為基礎，通過搭建完善的動態參數模型進行識別結構損傷位置，但其投入使用成本極高、無法全面推廣，且微小損傷的診斷仍不夠完善，安全隱患存在潛伏期；文獻［6］采用多視角幾何三維重建方法進行損傷識別，該方法具有操作便捷、精度高等優勢，但其測算周期較長，效率低下，無法順應現代社會高速發展的形勢。

因此，結合現有識別工程結構損傷方法的優缺點，這里研究基于遙感數據的工程結構損傷動態識別方法，以此確保快速、精準、低成本的識別工程結構損傷，最大程度上滿足處于長期使用的工程結構的安全需求。

2 基于遙感數據的工程結構損傷動態識別方法

2.1 遙感影像分割

2.1.1 二維Tsallis交叉熵閾值選取公式

二維Tsallis交叉熵閾值分割法運用曲線閾值分割［7］，選擇的閾值點若設為（t，s），作一條直線r（i，j），該直線與對角線垂直，同時該直線經過閾值點，分別用兩個區域描述二維直方圖，用c1（t，s）描述目標區域，用c2（t，s）描述背景區域。用式（1）表述總二維交叉熵：

2.1.2 布谷鳥搜索算法

布谷鳥搜索算法簡稱CS算法。大自然的布谷鳥尋覓合適產卵的鳥巢地點，該過程采取隨機的方式進行［8］，現擬定三種條件模仿布谷鳥尋覓鳥巢的活動：

（1）布谷鳥單次產蛋一枚并將其隨機放入選擇的鳥巢內。

（2）諸多鳥巢中，布谷鳥將最佳巢留存至下一代。

（3）可用鳥巢數目n固定不變，鳥巢主人察覺鳥蛋的概率為Pa∈[0，1]，用式（3）描述布谷鳥尋巣的途徑及地點：

2.1.3 混沌CS算法

搜索過程中針對性弱是標準布谷鳥搜索算法隨機模式單一產生的弊端。對初始值敏感、規律性和偽隨機性是混沌的優勢，能夠搜索到全部狀態于可行域內［9-10］。為增強算法晚期的收斂速度、提高算法解質量、使算法跳出局部最優點更輕松，將混沌序列與CS算法融合。為使分割方法縮短求解時間，CS算法運用Logistic映射的混沌擾動算子實現優化。式（4）描述Logistic映射：

其中，控制變量用μ描述。

歷次更換的最佳鳥巢地點添加混沌擾動，以此提高準確性［11］，通過式（5）實現擾動方法：

式中：Xbest、Xnewbest，d—當代和最新的最優地點的第d維向量；χd—當代由式（4）形成的混沌序列；γ—比例系數。

2.1.4 遙感影像分割流程

為實現對工程結構遙感影像的分割，二維Tsallis交叉熵依據工程結構遙感影像的二維直方圖進行計算，利用混沌映射創新CS算法的同時完善閾值的選擇過程［12］。用遙感影像分割流程，如圖1所示。以下為遙感影像分割環節：

圖1 遙感影像分割流程Fig.1 Remote Sensing Image Segmentation Process

（1）初始化CS算法基本參數：鳥巢數目n=20，概率Pa=0.25，ε描述搜索準確度，最大迭代次數Tmax=100；

（2）影像的二維閾值（t*，s*）利用鳥巢地點代替，隨機生成n個鳥巢的原始地點，初始鳥巢地點的二維Tsallis 交叉熵依據式（1）計算，得出原始的最小值；

（3）通過式（3）得到全部鳥巢的地點，再計算目前全體鳥巢的二維Tsallis交叉熵，當原鳥巢的二維Tsallis交叉熵大于新鳥巢二維Tsallis交叉熵時，用新鳥巢替代原鳥巢的地點；

（4）依據式（3）通過偏好隨機行走方法更新鳥巢的地點，繼續用二維Tsallis交叉熵偏小的地點替代原地點，獲得當代最小的二維Tsallis交叉熵，將其與上一代的值進行比較，記錄最佳地點；

（5）混沌擾動最優的鳥巢地點，該過程運用式（4）、式（5），將擾動前后的值比較并留下二維Tsallis交叉熵更低的鳥巢地點；

（6）滿足擬定的搜索準確度或達到最大迭代次數時則進行下一環節；相反則再度回歸至第三個環節；

（7）最優閾值（t*，s*）輸出并依據其分割工程結構遙感影像［13］。

2.2 圖像增強

分割后的工程結構遙感影像由于存在許多噪聲，直接利用其進行損傷動態識別效果較差，為此采取同態濾波算法過濾噪聲，增強影像。遙感影像模型為：

其中，照射分量與反射分量分別用a(x，y)、b(x，y)描述。

通態濾波函數為：

遙感影像的反射模型為：

式中：gout(x，y)、gin(x，y)—遙感影像的反射分量、入射分量。

遙感影像的反射模型對數選取形式為：

傅立葉變換處理獲取函數為：

式中：M(u，v)、N(u，v)—傅里葉變換后的入射和反射影像。

利用式（11）同態濾波處理影像，該過程要求在頻域內進行：

遙感影像增強結果為：

處理后的影像目標、噪聲、背景對比度明顯增強，大幅度提升目標識別率。

2.3 SVM分類識別模型

將增強處理后的工程結構遙感影像輸入至SVM分類識別模型中，完成工程結構損傷動態識別。高維特征空間接收非線性數據的投影并搭建最優分類超平面，且該平面擁有低VC維，全面考量置信與經驗風險范圍，使期望風險降至最低的判決函數依據結構風險最小化歸類準則進行探尋，上述為SVM 的中心思路［14］。為解決非線性數據識別的弊端，理論上運用高維空間識別數據即可實現，但維數災難會出現在實際運算中。為快速區分模式識別中性線，引用核函數k(χi，χj)，獲取高維空間特征向量的內積，通過低維輸入向量計算即可，計算量大幅縮減，同時防止維數災難發生。創建的判別函數為：

式中：yi—分類標記；ai—拉格朗日乘子。

SVM分類器根據二叉樹、有向無環圖和“1VM”等方式對原始數據進行歸類。

SVM實則是一個二分類器，在此基礎上這里依據“1VM”策略進行歸類，選擇其中一類作為一類，其余類作為另一類［15］。由噪聲、裂縫和正常工程結構三大類組成跨尺度的工程結構影像，分類器由這三類線性可分問題搭建。

噪聲、裂縫和正常工程結構分別用a`、b`、c`描述。用于區別噪聲、其他影像的是SVMa′，R超平面，用于判斷裂縫、正常工程結構區域的是SVMb′，c′分類超平面。

假設SVMa′，R、SVMb′，c′能夠正確無誤的反映數據的確切信息，任意樣本判斷像元的歸屬則變得輕松。

利用有限的訓練樣本獲得的決策超平面并非最佳的，其導致部分數據同時被判別為兩類的可能性比較大，為避免此類情況，其歸屬依據對比此數據相應的判別函數值的大小判斷，f1(a6)>f2(a6)，a6隸屬a`類，f1(a6)為SVMb′，c′相應的判別函數，f2(a6)為SVMb′，c′相應的判別函數。基于各個尺度的特征影像進行歸類，提升歸類的準確度應選擇對本類識別有利的尺度影像。描述SVM算法流程圖，如圖2所示。

圖2 SVM算法流程圖Fig.2 Flow Chart of SVM Algorithm

3 仿真實驗

選取某市跨海大橋作為實驗對象，從遙感影像獲取精度、影像分割效果、損傷分類識別效果等方面驗證這里方法應用效果。

3.1 遙感影像精度

這里方法獲取的該跨海大橋遙感影像與衛星影像對比進行精度驗證。從線誤差及面誤差兩方向開展實驗。

在影像上隨機選取2個固定點并測量兩點間距離，將衛星影像上的距離作為真值，這里方法的距離與真值相減得到差值除以真值的百分比為線誤差；隨機選取4個固定點，分別測量其面積大小，設衛星影像上的面積為真值，這里方法的面積與真值相減得到差值除以真值的百分比為面誤差，選取例子，如圖3所示。

圖3 線、面的選取樣例Fig.3 Example of Line and Surface Selection

經過嚴密的測量計算，用表1描述線誤差、面誤差的對比結果。根據表1可知，遙感影像與衛星影像的距離差值始終在0.6m以內，線誤差控制在0.1%內，面積差值始終在2m2內，面誤差控制在0.2%內，以此判斷，這里方法的影像精度極高，與衛星影像相差無幾。

表1 線誤差、面誤差的對比結果Tab.1 Comparison Results of Line Error and Surface Error

3.2 影像分割效果

從遙感影像分割的運行時間及分割結果兩方面開展實驗，選取文獻［5］的基于振動的損傷識別方法、文獻［6］的基于多視角幾何三維重建的損傷識別方法為對比方法，對這里方法的效率進行驗證。Intel（R）Core（TM）i5-6300HQ CPU 2.30GHz/8GB，Matlab R2019b為本次實驗運行環境。影像分割結果，如圖4所示。根據圖4分析可知，這里方法分割的影像清晰且特征鮮明，各區域邊緣完整，對目標工程結構細節精確分割，將道路、河流與工程結構有效分割；文獻［5］方法的影像中有部分植物與道路交叉在一起，清晰度較低，誤分割率偏高，且無法獲取工程結構的鮮明特征，其中部分背景被誤劃分為工程結構，目標工程結構未被準確分割，必定影響后續識別分類效果；文獻［6］方法的效果并不理想，大面積區域呈現模糊、殘缺狀態，基本無細節紋理特征，無法清晰識別目標工程結構。

圖4 影像分割結果Fig.4 Image Segmentation Results

其中，圖4（a）為原始影像；圖4（b）為這里方法處理后的圖像；圖4（c）為文獻［5］方法處理后的圖像；圖4（d）為文獻［6］方法處理后的圖像。

在影像中選取八項工程結構并分別對其開展實驗，描述這里方法、文獻［5-6］方法的運行時間，橫坐標為分割方法的最優分割閾值，縱坐標為各方法所需運行時間，如圖5所示。據圖5分析得知，文獻［5］方法對八項工程結構分割的運行時間控制在（0.3～0.7）s內；文獻［6］方法效果不佳，運行時間最低不少于0.4s，運行時間最高可達1.2s，效率偏低；這里方法分割八項工程結構的運行時間均控制在0.2s內，效率非常高，全程發揮平穩。

圖5 運行時間結果圖Fig.5 Running Time Result Chart

3.3 分類識別效果

選取該跨海大橋已獲取的工程結構損傷類型的影像進行實驗，空間分辨率為1mm，為增強實驗目的性，選擇其中一幅具有象征性意義的橋梁影像進行處理，驗證這里方法損傷識別的有效性，并將其與文獻［5］方法、文獻［6］方法識別結果進行分析比較。橋梁影像裂縫損傷識別結果，如圖6所示。據圖6分析得知，文獻［5］方法的影像含有較多噪聲，識別的裂縫存在缺失現象，放大看其裂縫無明顯細部特征，此時已損失部分細部裂縫數據信息；文獻［6］方法的影像含有超多噪聲，丟失部分裂縫信息，且識別到的裂縫呈現殘缺狀態，數據量大幅度減小，細部裂縫信息丟失；這里方法識別的效果最佳，細部特征清晰鮮明且具有較好的連接性，最微小的裂縫損傷也可被識別，周圍環境與整個裂縫部分形成鮮明對比，最大程度還原裂縫寬度及線性特征，影像信息含量超大，由此體現這里方法具有超強識別能力。

圖6 分類識別結果Fig.6 Classification and Recognition Results

其中，圖6（a）為這里方法處理后的圖像；圖6（b）為文獻［5］方法處理后的圖像；圖6（c）為文獻［6］方法處理后的圖像。

選取損傷識別的均方誤差以及平方相關系數作為衡量這里方法的識別效果指標，分別對不同樣本數量的影像進行實驗，為確保實驗準確性，重復3次實驗，取數據的平均值作為結果呈現，用圖7 描述三種方法的均方誤差以及平方相關系數實驗結果。分析圖7（a）、圖7（b）可得，文獻［5-6］方法的均方誤差較高，最低不小于0.2，平方相關系數偏低，總體性能不佳；這里方法的識別均方誤差始終控制在0.2內，其平方相關系數維持在（3.0～4.0）之間，未曾出現大幅波動，整體呈平穩狀態，表明這里方法的分類識別性能優秀。

圖7 識別性能評價Fig.7 Identification Performance Evaluation

其中，圖7（a）為識別均方誤差結果圖；圖7（b）為識別平方相關系數結果圖。

4 結束語

在現代化科技水平不斷提升的背景下，重大工程結構的健康問題受到廣泛關注，重大工程事故頻頻發生，為此這里研究基于遙感數據的工程結構損傷動態識別方法。

采用混沌布谷鳥優化的二維Tsallis交叉熵分割遙感影像，經影像增強后，通過SVM分類識別模型對工程結構損傷進行動態識別、歸類，大量實驗證明這里方法能夠高效、精準識別出工程結構的損傷動態。