王澤矯，張起睿，方冬冬，王新鵬

(1.甘肅省水利水電勘測設(shè)計研究院有限責(zé)任公司，甘肅 蘭州 730000;2.澳門城市大學(xué)，澳門 999078; 3.廣東省廣州市城市規(guī)劃勘測設(shè)計研究院，廣東 廣州 510000；4.貴州大學(xué)礦業(yè)學(xué)院，貴州 貴陽 550025)

裂縫是大壩普遍存在的風(fēng)險源。裂縫危害輕則庫水下泄，大壩停運檢修，重則引發(fā)壩體潰壩，威脅下游群眾生命財產(chǎn)安全。通過科學(xué)的手段，實時檢測大壩裂縫，提前采取預(yù)防拯救措施，可以有效避免因裂縫引起的大壩事故?，F(xiàn)有的大壩裂縫檢測方法往往存在耗時耗力、實時性不高、檢測精度低的缺點。周克明[1]采用裂縫計對壩體表面裂縫開合度進(jìn)行測量，裂縫計需人工安放于已知裂縫位置，不能感知新裂縫，測程有限；姜福田[2]等研究了用超聲波檢測大壩混凝土裂縫的方法，通過在三門峽大壩中的具體實踐，證明了該方法在裂縫檢測上的有效性；胡江[3]等深入研究了光纖傳感器裂縫檢測法，其檢測原理是利用調(diào)制解調(diào)信號來反映參數(shù)的變化情況，一旦壩體產(chǎn)生裂縫，即可對其定位并對裂縫寬度進(jìn)行測量；葉貴如[4]等對原始數(shù)字圖像采取一系列預(yù)處理步驟，實現(xiàn)對裂縫的提取，進(jìn)而計算裂縫寬度等信息。現(xiàn)有基于深度學(xué)習(xí)裂縫檢測大多面向路面、橋梁等對象，缺乏在大壩裂縫檢測中的應(yīng)用；Zhang L[5]首次采用卷積神經(jīng)網(wǎng)絡(luò)的方法對道路裂縫檢測；李良福[6]等人提出了一種基于深度學(xué)習(xí)的橋梁裂縫檢測方法，采用基于卷積神經(jīng)網(wǎng)絡(luò)的分類模型，實現(xiàn)橋梁背景與裂縫的識別；劉新根[7]等研究了一種基于深度學(xué)習(xí)的隧道襯砌裂縫自動識別算法，引入分類網(wǎng)絡(luò)篩選出含有裂縫的圖像，識別網(wǎng)絡(luò)對裂縫進(jìn)行識別，進(jìn)而實現(xiàn)對裂縫幾何信息的計算。基于深度學(xué)習(xí)的大壩裂縫檢測方法可以將無人機(jī)靈活高精度獲取壩體影像的優(yōu)勢與深度學(xué)習(xí)強大的數(shù)據(jù)特征學(xué)習(xí)功能相結(jié)合，實現(xiàn)大壩裂縫自動化、高精度及高時效性的檢測。而目前采用該方法進(jìn)行大壩裂縫檢測，存在兩方面的挑戰(zhàn)：一是缺乏高精度的大壩裂縫數(shù)據(jù)集；二是沒有現(xiàn)成的直接用于大壩裂縫檢測的卷積神經(jīng)網(wǎng)絡(luò)模型，存在算法優(yōu)化的問題。本文構(gòu)建了標(biāo)準(zhǔn)的大壩裂縫數(shù)據(jù)集，引入了基于SegNet[8]的大壩裂縫卷積神經(jīng)網(wǎng)絡(luò)模型，通過定性和定量的方法驗證了模型的有效性。通過基于深度學(xué)習(xí)模型的大壩裂縫檢測結(jié)果，提取了裂縫的幾何信息，并對特征信息進(jìn)行了分析。

1 大壩裂縫數(shù)據(jù)集構(gòu)建

利用深度學(xué)習(xí)理論進(jìn)行目標(biāo)檢測的本質(zhì)在于用復(fù)雜的神經(jīng)網(wǎng)絡(luò)對海量的數(shù)據(jù)進(jìn)行訓(xùn)練，得到目標(biāo)對象準(zhǔn)確的訓(xùn)練特征，然后將這些特征作為濾波器，與待識別的圖像做卷積運算，實現(xiàn)目標(biāo)的檢測。由此需要構(gòu)建高精度的大壩裂縫數(shù)據(jù)集。選用獵鷹8型無人機(jī)，搭載索尼a7r傳感器，對某大壩壩內(nèi)含裂縫的墻體近距離密集拍攝，獲得尺寸大小為7360×4912的彩色裂縫圖像786張，包含了22個壩段，空間分辯率為0.7mm?？紤]到航飛影像航向和旁向的高重疊度，為了減少做裂縫標(biāo)簽的工作量，選取18個壩段的圖像進(jìn)行拼接處理，得到18張拼接后的圖像，如圖1所示，然后對拼接后的原始數(shù)據(jù)采用labelme進(jìn)行裂縫特征標(biāo)記，如圖2所示?；诂F(xiàn)有數(shù)據(jù)為了獲得更多的裂縫數(shù)據(jù)集，按400像素值為步長對拼接后的原始圖像和對應(yīng)的標(biāo)簽圖像進(jìn)行裁剪，得到大小為512×512的圖像，然后對裁剪后的圖像進(jìn)行翻轉(zhuǎn)和旋轉(zhuǎn)等操作，最后得到兩組各含有13218張大壩裂縫的原始裂縫數(shù)據(jù)集和帶裂縫標(biāo)簽的數(shù)據(jù)集，將其中90%的數(shù)據(jù)集作為訓(xùn)練集數(shù)據(jù)，5%的數(shù)據(jù)作為驗證集數(shù)據(jù)，5%的數(shù)據(jù)作為測試集數(shù)據(jù)。

圖1 拼接后的數(shù)據(jù)集

圖2 標(biāo)記后的數(shù)據(jù)集

2 裂縫檢測深度卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)[9]依據(jù)對裂縫圖像的特征學(xué)習(xí)和特征表達(dá)，形成成熟的訓(xùn)練模型，當(dāng)將待檢測的裂縫圖像利用該模型進(jìn)行測試時，可以快速準(zhǔn)確地檢測出壩面上裂縫的情況。將深度卷積神經(jīng)網(wǎng)絡(luò)的方法用于大壩裂縫檢測上，可以達(dá)到與傳統(tǒng)檢測方法不一樣的優(yōu)勢。

2.1 裂縫檢測深度卷積神經(jīng)網(wǎng)絡(luò)模型

本文采用基于SegNet的神經(jīng)網(wǎng)絡(luò)模型[10]如圖3所示。該網(wǎng)絡(luò)主要由編碼器網(wǎng)絡(luò)與解碼器網(wǎng)絡(luò)組成，編碼器與解碼器網(wǎng)絡(luò)充分提取圖像中目標(biāo)對象深層次的特征[10]，然后采用卷積及反卷積等操作將編碼器和解碼器中每一個尺度的卷積特征進(jìn)行融合得到一幅單尺度的融合特征圖像。最后將融合特征圖像在所有尺度上進(jìn)行組合得到多尺度的融合特征圖像，從而得到目標(biāo)對象更加全面細(xì)致的特征[11]。這種基于多層特征融合的網(wǎng)絡(luò)結(jié)構(gòu)可以有效地將復(fù)雜背景中的裂縫識別出來[12]。

圖3 裂縫檢測深度卷積神經(jīng)網(wǎng)絡(luò)模型

2.2 網(wǎng)絡(luò)模型訓(xùn)練

裂縫檢測深度卷積神經(jīng)網(wǎng)絡(luò)模型通過PyTorch深度學(xué)習(xí)框架實現(xiàn)，使用武大GPU集群完成網(wǎng)絡(luò)模型訓(xùn)練。在網(wǎng)絡(luò)訓(xùn)練中根據(jù)以往程序調(diào)試經(jīng)驗設(shè)置初始學(xué)習(xí)率為0.01，優(yōu)化器函數(shù)選用Adam，沖量為0.8，batchSize為9，同時使用權(quán)值衰減正則化方法及動量優(yōu)化算法，權(quán)值衰減系數(shù)設(shè)為0，動量系數(shù)設(shè)為0.8。對網(wǎng)絡(luò)模型參數(shù)反復(fù)進(jìn)行迭代計算，當(dāng)訓(xùn)練集與驗證集誤差值趨于收斂并誤差值達(dá)到最小時即得到最優(yōu)的網(wǎng)絡(luò)模型訓(xùn)練參數(shù)[13]，最終選用第57次的迭代結(jié)果作為最優(yōu)的網(wǎng)絡(luò)模型。

3 裂縫檢測與結(jié)果分析

采用測試集數(shù)據(jù)對網(wǎng)絡(luò)模型進(jìn)行測試，從測試結(jié)果中選取幾幅典型的檢測結(jié)果與原始圖像和對應(yīng)的裂縫標(biāo)簽圖像進(jìn)行比較，通過定性比較的方法，分析基于深度學(xué)習(xí)的方法檢測大壩裂縫的有效性；求定檢測結(jié)果圖像的混淆矩陣、精確率、正確率及召回率，通過定量計算的方法，評定基于深度學(xué)習(xí)的方法檢測大壩裂縫的準(zhǔn)確性。

圖4 典型檢測結(jié)果一

圖5 典型檢測結(jié)果二

圖6 典型檢測結(jié)果三

圖7 典型檢測結(jié)果四

圖4為理想狀態(tài)下的檢測結(jié)果，圖像中沒有包含任何其他干擾對象，裂縫識別清晰準(zhǔn)確。圖5原始圖像中除了兩條裂縫外，還存在數(shù)條豎直走向的水流痕跡，然而在檢測結(jié)果中只有裂縫，沒有水流痕跡的信息，檢測結(jié)果中沒有發(fā)生漏檢和誤檢現(xiàn)象。圖6原始圖像A中除了兩條裂縫外，還存在一條明顯的紅色纜線，從檢測結(jié)果中可以看到，只有裂縫的特征信息，纜線沒有被誤檢出來，檢測結(jié)果與裂縫標(biāo)簽圖中裂縫特征信息一一對應(yīng)。圖7原始圖像A中除了彼此相交的三條裂縫外，還存在兩塊水泥修補的痕跡，其輪廓線條清晰，然而檢測結(jié)果中只有裂縫的特征信息，裂縫形狀清晰，檢測結(jié)果沒有受到其他對象的干擾。從以上的檢測結(jié)果中可以看到基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法可以準(zhǔn)確檢測出圖像中的裂縫，能夠較好的避開圖像中的干擾因素，基本不存在漏檢和誤檢現(xiàn)象，裂縫骨架特征清晰準(zhǔn)確。

表1中給出了定量評價指標(biāo)，混淆矩陣給出了預(yù)測值與真實值間的精度關(guān)系，精確率代表了預(yù)測目標(biāo)對象的準(zhǔn)確率，正確率代表了所有對象預(yù)測的準(zhǔn)確性，召回率代表了預(yù)測真實目標(biāo)的準(zhǔn)確性。從表1中可以看到所有對象被正確分類的概率達(dá)到90%以上，網(wǎng)絡(luò)對所有對象的預(yù)測具有較高的正確性；預(yù)測結(jié)果圖像中計算的精確率高于75%，召回率高于80%，可以看到對裂縫的預(yù)測具有較高的準(zhǔn)確度?？梢钥吹讲糠帜繕?biāo)對象沒有被準(zhǔn)確分類，可能的原因有：①樣本容量不夠大，網(wǎng)絡(luò)訓(xùn)練參數(shù)不夠精確；②該大壩裂縫開裂度特別細(xì)小，檢測精度要求很高，發(fā)生了部分的漏檢情況。綜合分析可以看出采用基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法對大壩裂縫進(jìn)行檢測具有一定的可靠性。

4 基于檢測結(jié)果的幾何信息計算

通過基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法對大壩裂縫檢測，得到了準(zhǔn)確的裂縫檢測結(jié)果，檢測結(jié)果主要給出了兩方面的信息。一是檢測結(jié)果圖像中只有裂縫的信息，其他對象的信息沒有出現(xiàn)；二是在結(jié)果圖像中可以清楚的看到裂縫的形狀特征及裂縫間存在的幾何位置關(guān)系。而在實際的大壩裂縫檢測應(yīng)用中除了準(zhǔn)確識別裂縫外，往往還需關(guān)注裂縫的幾何特征值，比如求定裂縫的面積、長度及寬度信息，這樣能夠更加詳細(xì)地評估裂縫的病變情況。在解求過程中將標(biāo)簽圖像中裂縫的幾何值作為準(zhǔn)確值，同時求定檢測結(jié)果圖像中對應(yīng)的幾何值，二者進(jìn)行比較來驗證檢測結(jié)果中裂縫幾何值的準(zhǔn)確性。先選擇合適的閾值，對檢測結(jié)果圖像進(jìn)行二值化，得到檢測結(jié)果的二值化圖。設(shè)計程序分別統(tǒng)計檢測結(jié)果二值化圖和標(biāo)簽圖中255像素值的個數(shù)，依據(jù)圖像的分辨率計算面積特征值；對檢測結(jié)果二值化圖和標(biāo)簽圖像做Canny邊緣檢測處理，統(tǒng)計邊緣檢測結(jié)果中255像素值的個數(shù)，依據(jù)分辨率計算裂縫的長度特征值。最后采用面積和長度的關(guān)系，得到裂縫寬度的信息。在本文中選取一條典型的裂縫作為測試對象，說明本文提出的方法在計算裂縫幾何特征時的可行性。

表1 檢測結(jié)果定量評價值整理

圖8 檢測結(jié)果與標(biāo)簽圖像

設(shè)計程序統(tǒng)計圖8中檢測結(jié)果二值化圖中白點的個數(shù)為5398，標(biāo)簽圖像中白點個數(shù)為5238，兩幅圖像對應(yīng)的空間分辯率為0.7mm，由此分別得到檢測結(jié)果二值化圖中裂縫面積為18.75cm2，標(biāo)簽二值化圖中裂縫面積為18.12cm2。

采用Canny算子[14]對檢測結(jié)果圖像與標(biāo)簽圖像進(jìn)行邊緣檢測，邊緣檢測結(jié)果如圖9所示。統(tǒng)計邊緣檢測結(jié)果中像素值為255的個數(shù)，檢測結(jié)果圖像為4030個，標(biāo)簽圖像為4045個。圖上可以看到檢測結(jié)果為對稱的雙邊緣，在計算長度時用一半的像素總數(shù)計算，兩幅圖像的空間分辯率都為0.7mm，計算得到檢測結(jié)果圖像中裂縫的長度為141.05cm，標(biāo)簽圖像中裂縫的長度為141.58cm。由此可以得到檢測結(jié)果圖像的平均寬度值為1.87mm，標(biāo)簽圖像的平均寬度為1.81mm。從而驗證了基于深度學(xué)習(xí)的裂縫檢測結(jié)果可以得到裂縫基本的幾何信息值。

圖9 Canny算子邊緣檢測結(jié)果

5 結(jié)論

大壩裂縫隱蔽性強，存在范圍廣，檢測精度要求高，檢測工作量大?；谏疃葘W(xué)習(xí)的大壩裂縫檢測能克服傳統(tǒng)方法低檢測精度、低檢測效率及高成本的不足，可以充分利用高精度的航飛影像，通過建立神經(jīng)網(wǎng)絡(luò)模型對海量的數(shù)據(jù)進(jìn)行處理，依據(jù)嚴(yán)密的算法及網(wǎng)絡(luò)強大的特征學(xué)習(xí)能力，得到裂縫最本質(zhì)的特征屬性，然后利用高性能的網(wǎng)絡(luò)訓(xùn)練結(jié)果可以隨時對獲取的裂縫圖像進(jìn)行檢測。該方法可以充分利用每次航飛的原始影像，組建十分豐富的網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集，可以對需要的網(wǎng)絡(luò)模型不斷地進(jìn)行調(diào)優(yōu)，再用調(diào)優(yōu)的網(wǎng)絡(luò)模型進(jìn)行裂縫檢測，可以得到更精確的結(jié)果。通過無人機(jī)可以獲取大壩高陡處的影像數(shù)據(jù)，能夠?qū)崿F(xiàn)更大范圍的裂縫檢測，對裂縫的檢測更加全面。本文基于深度學(xué)習(xí)的方法準(zhǔn)確檢測出了大壩中的裂縫，并通過定性和定量的方法驗證了該方法的準(zhǔn)確性，依據(jù)檢測結(jié)果計算了裂縫的幾何信息，但對網(wǎng)絡(luò)模型訓(xùn)練不夠，缺乏更具代表性、海量的數(shù)據(jù)對模型進(jìn)行訓(xùn)練，對細(xì)小弱裂縫的檢測性能不夠好，對裂縫幾何信息值的計算過于簡單，后期需進(jìn)一步深入研究、完善。