許穎 張?zhí)烊? 金淦

摘 要：為提高鋼筋混凝土銹蝕裂縫檢測(cè)分類的效率和精度，提出了一種基于深度學(xué)習(xí)卷 積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的鋼筋混凝土銹蝕裂縫識(shí)別模型 SCNet（Steel Corrosion Net）.首先通過原始數(shù)據(jù)采集和數(shù)據(jù)增強(qiáng)構(gòu)建了39 000 張圖片的裂縫數(shù)據(jù)集，然后利 用TensorFlow 學(xué)習(xí)框架和Python構(gòu)建神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行訓(xùn)練測(cè)試，根據(jù)模型的訓(xùn)練精度和測(cè)試精度進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)的優(yōu)化，最終將 SCNet識(shí)別模型與兩種傳統(tǒng)檢測(cè)方法進(jìn)行對(duì)比.結(jié)果表明：文中所建立的SCNet 三分類神經(jīng)網(wǎng)絡(luò)模型達(dá)到了96.8%的分類準(zhǔn)確率，可以有效識(shí)別分類鋼筋混凝土銹蝕裂縫，并且具有較高的準(zhǔn)確率和可測(cè)性;在圖像數(shù)據(jù)有陰影、扭 曲等噪聲干擾的條件下，兩種傳統(tǒng)檢測(cè)方法已不能達(dá)到理想的分類效果，SCNet模型仍能表現(xiàn) 出相對(duì)穩(wěn)定的分類性能.

關(guān)鍵詞：混凝土裂縫;鋼筋銹蝕;卷積神經(jīng)網(wǎng)絡(luò);數(shù)據(jù)增強(qiáng);神經(jīng)網(wǎng)絡(luò)優(yōu)化

中圖分類號(hào)：TU375? 文獻(xiàn)標(biāo)志碼：A

Identification of Corroded Cracks in Reinforced Concrete Based on Deep Learning SCNetmodel

XU Ying?，ZHANG Tianrui，JIN Gan

（Shenzhen Key Lab of Urban Civil Engineering Disaster Prevention & Reduction，Harbin Institute of Technology，Shenzhen，Shenzhen 518055，China）

Abstract：In order to improve the efficiency and accuracy of corroded cracks detection and classification in rein-forced concrete， a corroded cracks identificationmodel Steel Corrosion Net（SCNet）based on deep learning Convolu-tional Neural Network（CNN）is proposed.A data set of39 000 crack figures is firstly built by original data collection and data enhancement， a SCNet three-classification neural networkmodel is then built and tested by TensorFlow learning framework and Python.According to the training and testing accuracies of themodel， the structure and pa-rameters of the SCNet networkmodel are optimized and the result of the SCNet is compared with two traditional test-ingmethods.The result shows that the SCNetmodel established in this paper achieves the classification accuracy of 96.8%， whichmeans the SCNetmodel can effectively identify and classify the corroded cracks in reinforced concrete with high accuracy andmeasurability.Under the conditions of noise interference such as shadows and distortions， those two traditional testingmethods fail to ideally classify， whereas the SCNetmodel shows a relatively stable classi-fication performance.

Key words：concrete cracks;steel corrosion;Convolutional Neural Network;data enhancement;neural network optimization

鋼筋混凝土結(jié)構(gòu)的鋼筋銹蝕會(huì)引起鋼筋體積膨 脹，導(dǎo)致混凝土裂縫的開展進(jìn)而危害結(jié)構(gòu)的安全性[1].傳統(tǒng)的裂縫監(jiān)測(cè)需要人工定期定時(shí)完成，但是 存在安全性差、成本高、效率低的問題.隨著技術(shù)發(fā) 展，光纖、掃描電鏡、熱成像、超聲波[2]等技術(shù)也被運(yùn) 用到裂縫檢測(cè)中來，但這些技術(shù)也有其局限性且成 本高昂.目前很多比較全面的結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)只 配置在大型建筑之中[3-4]，需要安裝大量的傳感器，收集數(shù)據(jù)，并作一定的環(huán)境補(bǔ)償.隨著計(jì)算機(jī)的發(fā) 展，一些基于計(jì)算機(jī)視覺的圖像處理技術(shù)被投入使用[5-6]，可以檢測(cè)到混凝土表面缺陷，但是截至目前圖像處理技術(shù)還存在著不足，比如不能對(duì)不同原因 導(dǎo)致的缺陷進(jìn)一步分類，光照和噪聲對(duì)其結(jié)果影響較大等.

深度學(xué)習(xí)算法屬于機(jī)器學(xué)習(xí)，是一種通過大規(guī) 模的數(shù)據(jù)集訓(xùn)練學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)框架，更新權(quán)重提取 特 征的學(xué) 習(xí) 方 式[7].卷 積 神 經(jīng) 網(wǎng) 絡(luò)（Convolutional Neural Network，CNN）是利用深度學(xué)習(xí)構(gòu)建的神經(jīng) 網(wǎng)絡(luò)，它的靈感來源于動(dòng)物的視覺皮層[8]，能夠有效 地捕捉到圖像的網(wǎng)格狀拓?fù)浣Y(jié)構(gòu)，作為判斷分類的依據(jù)[9]，可以高效地進(jìn)行圖像識(shí)別.

對(duì)人工神經(jīng)網(wǎng)絡(luò)的研究早已開展，但是將這項(xiàng) 技術(shù)應(yīng)用于圖像處理尤其是土木工程裂縫識(shí)別的時(shí)間不是很長.蔡光明[10]提出的橋梁裂縫視頻檢測(cè)系統(tǒng)使用了視頻圖像處理技術(shù)，彌補(bǔ)了橋梁裂縫檢測(cè)技術(shù)的不足.Landstrom等[11]提出了一種基于鋼板 表面三維輪廓數(shù)據(jù)，利用形態(tài)圖像處理和邏輯推理的統(tǒng)計(jì)分類，實(shí)現(xiàn)鋼板表面裂紋自動(dòng)在線檢測(cè)的方 法.Moon等[12]研究開發(fā)了一種能夠?qū)炷帘砻孢M(jìn)行分析并有效識(shí)別可視化裂縫的自動(dòng)檢測(cè)系統(tǒng).通過濾波、改進(jìn)的減法和形態(tài)學(xué)運(yùn)算，將裂紋與背景圖像區(qū)分開來并識(shí)別裂紋.

隨著BP 神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等領(lǐng)域的深入研究，裂縫特征提取的效率也隨之提高.Zhang等[13]將 深度學(xué)習(xí)算法應(yīng)用于道路的裂縫檢測(cè)方面，給出了一 種 通過深度學(xué) 習(xí) 來 實(shí)現(xiàn)的裂 縫 檢測(cè)手段.Cha 等[14]將訓(xùn)練的CNN 網(wǎng)絡(luò)模型與滑動(dòng)窗口技術(shù)相結(jié)合，完成對(duì)混凝土裂縫圖像的檢測(cè)識(shí)別.

然而，現(xiàn)階段深度學(xué)習(xí) CNN只能識(shí)別出混凝土 表面是否存在裂縫，還無法判斷此裂縫是否為銹蝕裂 縫.有鑒于此，本文將 CNN應(yīng)用于鋼筋混凝土銹蝕裂 縫識(shí)別分類，提出了一種基于深度學(xué)習(xí) CNN的鋼筋混凝土銹蝕裂縫識(shí)別模型 SCNet（Steel Corrosion Net），并將其與兩種傳統(tǒng)檢測(cè)方法進(jìn)行對(duì)比，結(jié)果驗(yàn)證了該 模型的準(zhǔn)確性和可測(cè)性.若應(yīng)用于工程實(shí)踐中，SCNet可以較好地識(shí)別鋼筋混凝土結(jié)構(gòu)的銹蝕裂縫.

1CNN理論介紹

CNN 由輸入、隱含、輸出等結(jié)構(gòu)層組成，其中隱 含層包括卷積、池化、激活、全連接、Softmax和Drop-out層等，圖1所示為基 本的用于分類的CNN 框 架圖[14-15].

卷積層用來提取模型輸入數(shù)據(jù)的基礎(chǔ)特征，每一個(gè)卷積層有多個(gè)矩陣卷積核，每個(gè)矩陣的元素都有相應(yīng)的權(quán)重系數(shù)和偏差值用來執(zhí)行卷積操作，其操作公式為：

式中：Xi，j 是圖像的第i 行第j 列元素;Wm，n 是卷積核的第m行第n 列權(quán)值;Wb 是卷積核的偏置項(xiàng);Ai，j 是特征 圖的第i 行第j 列元素.

輸入數(shù)據(jù)在卷積層行特征提取后，在池化層進(jìn)行特征過濾，常用的池化方法有最大池化 yij，max和平均池化yij，avg，操作公式為：

式中：yij為池化輸出第i 行第j 列元素;X i，j 是池化輸 入第i 行第j 列元素;k 是池化窗口的尺寸;s為池化窗 口移動(dòng)步長.

輸出結(jié)果經(jīng)過激活函數(shù)非線性處理和全連接層，由softmax層進(jìn)行分類類別預(yù)測(cè).

本文基于CNN 理論搭建了SCNet 模型，其基本 思路是：首先總結(jié)一些分類神經(jīng)網(wǎng)絡(luò)的基本設(shè)計(jì)規(guī) 律，即輸入— 卷積— 池化— 全連接— 輸出這樣的排 列順序;其次對(duì)各層的數(shù)目進(jìn)行優(yōu)化調(diào)節(jié)，如利用三層卷積層相連，使用小卷積核等手段，增加感受野;最后使用ReLU作為激活函數(shù)，使得訓(xùn)練效率和學(xué)習(xí) 速率顯著提高，并利用Dropout層來處理過擬合的問題，使得網(wǎng)絡(luò)有更好的泛化能力.

2構(gòu)建數(shù)據(jù)集

深度學(xué)習(xí)中，很多高識(shí)別率的網(wǎng)絡(luò)都得益于其龐大真實(shí)的樣本集，樣本圖像特征的準(zhǔn)確性及優(yōu)劣 也直接影響到后續(xù)模型的訓(xùn)練和檢測(cè)識(shí)別.構(gòu)建神 經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集包括圖像數(shù)據(jù)的采集和數(shù)據(jù)增強(qiáng).本文數(shù)據(jù)集分為3類：鋼筋混凝土銹蝕裂縫、其他原因 引起的混凝土裂縫、完整混凝土.其中鋼筋混凝土銹蝕裂縫與其他因素引起的裂縫的主要區(qū)別在于：銹蝕裂縫有獨(dú)特的顏色特征（紅褐色銹痕），且鋼筋銹蝕裂縫表現(xiàn)為通長的裂縫形狀，與沿梁長的鋼筋（縱 筋）的走向基本一致.而其他裂縫的特征是不規(guī)則龜 裂或網(wǎng)狀開裂并伴隨透明或淡黃凝膠析出等.數(shù)據(jù)集包括訓(xùn)練集和測(cè)試集，二者的數(shù)據(jù)比例為4∶1.

2.1原始圖像數(shù)據(jù)采集

采集原始圖像數(shù)據(jù)使用了網(wǎng)絡(luò)查找、自行拍攝、銹蝕試驗(yàn)3種方法.其中網(wǎng)絡(luò)查找圖片 210 張，自行拍攝圖片 540 張，銹蝕試驗(yàn)拍攝圖片 780 張，共1530 張.網(wǎng)絡(luò)查找的210張照片中，有90張為鋼筋銹蝕引 起混凝土開裂的照片，60 張為其他原因引起混凝土開裂照片，60 張為完整混凝土照片;現(xiàn)場(chǎng)拍攝的540 張照片中，100 張為鋼筋銹蝕引起照片，300 張為其他原因?qū)е禄炷灵_裂照片，140張為完整混凝土照 片.為使圖片數(shù)據(jù)的特征清晰、明確，本文統(tǒng)一了圖片的拍攝標(biāo)準(zhǔn)，設(shè)定了圖像采集規(guī)范.首先相機(jī)要垂 直于混凝土表面進(jìn)行拍攝，如圖2（b）所示，這樣不會(huì) 產(chǎn)生幾何畸變，保證所有的圖片數(shù)據(jù)特征是在同一個(gè)拍攝環(huán)境下得到的.

拍攝距離也是影響圖像質(zhì)量的一個(gè)重要因素，距離遠(yuǎn)近決定著圖像的視野范圍的大小.在實(shí)際拍 攝中，本文采用20 cm的拍攝距離.離得太近會(huì)拍攝 到一些干擾因素的圖像特征，如混凝土表面缺陷等，導(dǎo)致識(shí)別率與準(zhǔn)確率的降低;離得太遠(yuǎn)則會(huì)無法清 晰拍攝裂縫特征.光照方面，自然光下圖像的背景變化較大，會(huì)有非均勻的背景亮度，故本文拍攝時(shí)加入一個(gè)均勻的輔助光照，來減小圖像的背景變化.

此外，本文還使用自行拍攝與網(wǎng)絡(luò)查找的方法.自行拍攝可以按照拍攝規(guī)范拍攝，直接用于構(gòu)建數(shù)據(jù)集，網(wǎng)絡(luò)查找圖片可能不符合采集規(guī)范，因此需要進(jìn)行圖片的縮放或亮度調(diào)節(jié)和矯正，使網(wǎng)絡(luò)查找圖片符合圖片采集規(guī)范，也保證了數(shù)據(jù)的多樣性，如圖3和圖4所示.

2.2鋼筋加速銹蝕試驗(yàn)數(shù)據(jù)采集

為得到鋼筋銹蝕引起混凝土裂縫數(shù)據(jù)，需進(jìn)行鋼筋加速銹蝕試驗(yàn)，共制備 60個(gè)鋼筋混凝土試件.混凝 土 強(qiáng) 度等 級(jí)為C30，試件尺寸為100mm×100mm×200mm，在中心位置放置250mm長鋼筋.

采用半浸泡恒電流通電加速試驗(yàn)法，首先用打 磨機(jī)打磨鋼筋外露部分，除去表面雜質(zhì)，然后利用環(huán) 氧樹脂對(duì)外露鋼筋和導(dǎo)線粘連處進(jìn)行封閉處理，消 除外露部分鋼筋銹蝕對(duì)加速銹蝕試驗(yàn)產(chǎn)生的額外影 響.然后將電源正極連接待銹蝕鋼筋，電源負(fù)極連接不銹鋼片，把混凝土浸泡在濃度為5%的氯化鈉溶液中，接好電路后開始通電.鋼筋銹蝕產(chǎn)物積累會(huì)導(dǎo)致 電流強(qiáng)度減小，所以每隔12 h需要對(duì)通電線路進(jìn)行一次檢查和調(diào)整，以保持電流的穩(wěn)定.圖5所示為加快試驗(yàn)進(jìn)度，采用并聯(lián)電路接法進(jìn)行批量鋼筋加速銹蝕試驗(yàn).一段時(shí)間后混凝土表面有鋼筋銹蝕產(chǎn)物生成，混凝土開裂，拍攝混凝土開裂后的照片作為數(shù)據(jù)集的部分原始數(shù)據(jù).

2.3 數(shù)據(jù)增強(qiáng)

在上 述 方 法 獲 得 數(shù)據(jù)的基 礎(chǔ) 上，本文利 用OpenCV的隨機(jī)裁剪、旋轉(zhuǎn)以及隨機(jī)色彩變換的方式 實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)，以滿足訓(xùn)練對(duì)數(shù)據(jù)集大小的要求，其中旋轉(zhuǎn)操作的效果如圖6所示.

經(jīng)過上述數(shù)據(jù)增強(qiáng)的方法達(dá)到了擴(kuò)充數(shù)據(jù)量的效果，一張?jiān)紙D片可以產(chǎn)生30 張圖片數(shù)據(jù)，剔除一些裂縫占比不夠大、明暗度不滿足要求的噪音圖片，并進(jìn)行統(tǒng)一尺寸和重命名處理就得到了最終數(shù)據(jù)集，共計(jì)39 000 張，其中3個(gè)分類各13000 張.將所有圖片數(shù)據(jù)的80%作為訓(xùn)練集樣本，共31200張，20%作為測(cè)試集樣本，共 7 800張.

3銹蝕裂縫識(shí)別分類

本文利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行混凝土裂縫圖像分類，根據(jù)銹蝕裂縫具有紅褐色銹痕的獨(dú)特顏色以及 產(chǎn)生沿縱筋的通長裂縫這兩個(gè)特征，將數(shù)據(jù)集分為3 類.具體分類方法是首先根據(jù)3種不同分類給訓(xùn)練 集樣本添加相對(duì)應(yīng)的標(biāo)簽 0、1、2，再通過監(jiān)督學(xué)習(xí)將 這些已知數(shù)據(jù)和其對(duì)應(yīng)的輸出標(biāo)簽進(jìn)行訓(xùn)練，調(diào)整 參數(shù)，得到一個(gè)最優(yōu)模型.再利用這個(gè)模型將未知數(shù)據(jù)的所有輸入映射到相應(yīng)輸出，輸出對(duì)應(yīng)標(biāo)簽，得到分類結(jié)果，從而達(dá)到分類的目的.在得到網(wǎng)絡(luò)輸入之后，接著定義神經(jīng)網(wǎng)絡(luò)框架結(jié)構(gòu)，反復(fù)修改參數(shù)訓(xùn)練 模型，逐步減小結(jié)果誤差，最后測(cè)試模型在未知數(shù)據(jù)上的表現(xiàn).

本文將深度學(xué)習(xí) CNN的文件輸入、前向傳播過程、訓(xùn)練部分、測(cè)試部分拆分成了4個(gè)獨(dú)立的程序.這樣解耦合可以更加方便地對(duì)每一個(gè)部分進(jìn)行獨(dú)立 修改而不影響后續(xù)程序，而且也使整個(gè)流程更加靈活.

3.1構(gòu)建網(wǎng)絡(luò)框架

經(jīng)過優(yōu)化調(diào)整，本文基于經(jīng)典分類神經(jīng)網(wǎng)絡(luò) VGG 設(shè)計(jì)了一種 SCNet 模型，其網(wǎng)絡(luò)框架如圖7所示.模型由輸入層、6個(gè)大卷積層、3個(gè)全連接層、Soft-max層及輸出層組成，其中大卷積層包括卷積層和池化層，第六個(gè)大卷積層只包括一次卷積作用.所有的卷積核大小都是3×3，步長設(shè)置為1，池化操作的池化窗口大小都是 2×2，步長設(shè)置為2.輸入大小為224×224×3的圖片，經(jīng)過6層大卷積層的處理，變成了3×3×512的尺寸作為全連接層的輸入，接著傳輸 到 Softmax層判別圖片數(shù)據(jù)的分類.

SCNet 模型各層的尺寸參數(shù)及運(yùn)行后的圖片尺寸變化如表1所示.SCNet 模型優(yōu)點(diǎn)主要有：使用3×3的小卷積核和2×2的池化窗口，增加了神經(jīng)網(wǎng)絡(luò)的感 受野，并減少參數(shù)數(shù)量和計(jì)算量;25層的網(wǎng)絡(luò)深度較深，可以適當(dāng)提高識(shí)別精度;相比于VGG16，降低了一些卷積核數(shù)目及全連接層的通道數(shù)目，提高了網(wǎng) 絡(luò)運(yùn)行速率，也比較適合本文的三分類問題;在卷積層和全連接層后面通過ReLU 激活函數(shù)增加非線性，并在全連接層引入了Dropout，提高了網(wǎng)絡(luò)測(cè)試精度.

3.2神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程包括定義損失函數(shù)的內(nèi)容 表達(dá)形式、挑選反向傳播優(yōu)化算法、在網(wǎng)絡(luò)框架上一 直輸入數(shù)據(jù)并運(yùn)行反向傳播算法直到誤差降到一定范圍.如圖8所示，第一個(gè)階段是前向傳播階段即輸 入數(shù)據(jù)的計(jì)算，統(tǒng)計(jì)最終誤差;第二個(gè)階段是反向傳 播階段，是將實(shí)際輸出和理論輸出的誤差從高層次傳播到低層次的過程.

本文為了提高模型的訓(xùn)練精度，優(yōu)化模型，在構(gòu)建神經(jīng)網(wǎng)絡(luò)框架時(shí)加入了激活函數(shù)和Dropout層，在訓(xùn)練過程中使用了滑動(dòng)平均、正則化損失、反向傳播 優(yōu)化算法、指數(shù)衰減學(xué)習(xí)率等優(yōu)化手段，從而提高SCNet 模型對(duì)銹蝕裂縫識(shí)別的準(zhǔn)確率.

神經(jīng)網(wǎng)絡(luò)模型的測(cè)試過程也就是讓模型去判斷數(shù)據(jù)集樣本里的圖片數(shù)據(jù)屬于0、1、2 哪一個(gè)分類標(biāo) 簽，然后把判斷的標(biāo)簽和真正的分類標(biāo)簽比較，統(tǒng)計(jì)標(biāo)簽判斷正確的圖片數(shù)，得到正確率.訓(xùn)練集的正確率就是訓(xùn)練精度，測(cè)試集的正確率就是測(cè)試精度.本文將測(cè)試程序與前幾個(gè)程序獨(dú)立開來，這樣就可以在訓(xùn)練過程中將測(cè)試程序作為一個(gè)子程序調(diào)用.每 訓(xùn)練一個(gè)epoch 之后，先停止訓(xùn)練，利用測(cè)試程序和最新的模型進(jìn)行訓(xùn)練集和測(cè)試集的測(cè)試，分別得到當(dāng)前模型的訓(xùn)練精度和測(cè)試精度，接著在原先的模型上繼續(xù)訓(xùn)練下一個(gè)epoch.

3.3 結(jié)果分析

為了方便神經(jīng)網(wǎng)絡(luò)的調(diào)試與優(yōu)化，本文使用了TensorBoard來清晰、高效地展示神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中計(jì)算圖的構(gòu)成和一些指標(biāo)隨時(shí)間變化的趨勢(shì).

一個(gè)神經(jīng)網(wǎng)絡(luò)的效果是通過其在測(cè)試數(shù)據(jù)上的表現(xiàn)來判斷的，因?yàn)槠渥罱K目的是判斷未知數(shù)據(jù)的分類結(jié)果.本文在神經(jīng)網(wǎng)絡(luò)每訓(xùn)練一個(gè)epoch并保存 現(xiàn)有模型之后，都會(huì)驗(yàn)證這個(gè)模型在訓(xùn)練集樣本和測(cè)試集樣本上的準(zhǔn)確率并記錄下來.

3.3.1不同結(jié)構(gòu)框架網(wǎng)絡(luò)模型結(jié)果對(duì)比

網(wǎng)絡(luò)的結(jié)構(gòu)框架對(duì)深度學(xué)習(xí) CNN 至關(guān)重要，隱 含層數(shù)目的多少、卷積層池化層的位置、全連接層的大小都會(huì)影響模型精度的高低.如圖9所示，將 SC-Net模型與經(jīng)典分類神經(jīng)網(wǎng)絡(luò)模型 VGG16在其他基 本參數(shù)和訓(xùn)練超參數(shù)一致的情況下進(jìn)行對(duì)比.

對(duì)比兩個(gè)模型在數(shù)據(jù)集上的表現(xiàn)，可以看出雖 然趨勢(shì)基本一致，但是本文設(shè)計(jì)的SCNet 模型在訓(xùn) 練集和測(cè)試集上精度相較VGG16模型更高，訓(xùn)練精 度達(dá)到了98.5%，測(cè)試精度達(dá)到了96.8%.

3.3.2不同優(yōu)化方法網(wǎng)絡(luò)模型結(jié)果對(duì)比

在訓(xùn)練過程中，本文使用了滑動(dòng)平均、激活函 數(shù)、指數(shù)衰減學(xué)習(xí)率、正則化損失等優(yōu)化手段.為了判斷這些優(yōu)化方法所起到的作用，用控制變量法對(duì)比使用所有優(yōu)化方法的模型和不使用其中一項(xiàng)優(yōu)化 方法的模型.圖10所示是幾個(gè)神經(jīng)網(wǎng)絡(luò)模型在其他 網(wǎng)絡(luò)參數(shù)和超參數(shù)一致的情況下，在裂縫數(shù)據(jù)集上 訓(xùn)練 25個(gè)epoch之后的訓(xùn)練精度和測(cè)試精度.

可以明顯看出，由于在卷積層和全連接層使用了激活函數(shù)去線性化，相當(dāng)于對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了調(diào) 整，最終模型的正確率有很大變化.不使用激活函數(shù)的正確率只有91.45%，遠(yuǎn)低于最終結(jié)果 96.83%，這 說明神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)對(duì)模型的效果有本質(zhì)影響.由于模型在裂縫數(shù)據(jù)集上收斂速度較快，所以滑動(dòng)平均和指數(shù)衰減學(xué)習(xí)率這兩種優(yōu)化方法起到的作用不是很明顯.是否使用正則化損失的模型正確率相差 也較大，在前文中已經(jīng)提到，正則化可以有效防止過擬合.只要有交叉熵?fù)p失就不能很好地?cái)M合數(shù)據(jù)特 征去分類測(cè)試數(shù)據(jù)，所以使用了正則化和交叉熵?fù)p失之和的優(yōu)化模型在測(cè)試集上準(zhǔn)確率更高.

3.3.3不同訓(xùn)練超參數(shù)網(wǎng)絡(luò)模型結(jié)果對(duì)比

模型超參數(shù)由試驗(yàn)者手動(dòng)指定，神經(jīng)網(wǎng)絡(luò)不能直接從內(nèi)部數(shù)據(jù)估計(jì)得到.對(duì)于模型超參數(shù)的最優(yōu) 值沒有確切理論，只有大量的試驗(yàn)加上經(jīng)驗(yàn)判斷，根據(jù)模型的分類準(zhǔn)確結(jié)果來進(jìn)行調(diào)整.本文構(gòu)建的SC-Net模型超參數(shù)主要有：指數(shù)衰減學(xué)習(xí)率的初始學(xué)習(xí) 率、批次大小batchsize、反向傳播優(yōu)化器、訓(xùn)練 epoch次數(shù).

神經(jīng)網(wǎng)絡(luò)模型在其他網(wǎng)絡(luò)參數(shù)和超參數(shù)一致的情況下，改變某一個(gè)超參數(shù)，在裂縫數(shù)據(jù)集上訓(xùn)練 25個(gè)epoch 之后得到的訓(xùn)練精度和測(cè)試精度如圖11所示.

按照經(jīng)驗(yàn)分別取初始學(xué)習(xí)率為0.8、0.1、0.05、0.01、0.005，對(duì)比發(fā)現(xiàn)初始學(xué)習(xí)率取0.01模型的正確 率最高;分別取 batchsize為24、32、48、56、64，對(duì)比發(fā) 現(xiàn) batchsize 取32模型的正確率最高;分別取反向傳 播優(yōu)化器為梯度下降法和Adam優(yōu)化算法，對(duì)比訓(xùn)練結(jié)果發(fā)現(xiàn)梯度下降法在數(shù)據(jù)集上正確率較高;分別 取訓(xùn)練 epoch次數(shù)為10、15、20、25、30，對(duì)比發(fā)現(xiàn)訓(xùn)練 25個(gè)epoch 之后正確率已經(jīng)達(dá)到峰值，后續(xù)只是不斷波動(dòng)，所以本文采取訓(xùn)練 epoch次數(shù)為25.

4 可測(cè)性研究

為了研究光照強(qiáng)度、明暗變化和圖像扭曲等各種問題及噪音對(duì)本方法可測(cè)性影響，將本文構(gòu)建的SCNet 模型與兩種傳統(tǒng)的檢測(cè)方法 Sobel 邊緣檢測(cè)方 法和Canny 邊緣檢測(cè)方法進(jìn)行對(duì)比.分析3種方法在不同環(huán)境下的檢測(cè)結(jié)果，對(duì)比討論本文構(gòu)建的SCNet 模型在不同環(huán)境條件下的可測(cè)性.

像素點(diǎn)周圍灰度有巨大變化的叫作邊緣，而圖片邊緣包含著圖像的重要特征，圖片的邊緣是其最基礎(chǔ)特征，所以確定并提取圖像邊緣對(duì)于整個(gè)場(chǎng)景的識(shí)別和分類至關(guān)重要.對(duì)圖片的灰度變化的測(cè)量、檢測(cè)和定位就叫作邊緣檢測(cè).初級(jí)階段中視覺系統(tǒng) 先會(huì)把圖片背景和邊緣分離出來，然后才是圖像細(xì)節(jié)的感知[16].

作為一個(gè)離散一階差分算子，Sobel算子的重要作用是獲得亮度函數(shù)的一階梯度近似值.Sobel算子的主要計(jì)算方法是灰度線性加權(quán)算法，是將需要計(jì)算的像素點(diǎn)的周圍像素點(diǎn)進(jìn)行加權(quán)，在圖像邊緣處 取得極值，利用這種特征進(jìn)行邊緣檢測(cè).Sobel算子 也會(huì)將噪音誤測(cè)成圖像邊緣，有著較低的邊緣定位精度.Canny 邊緣檢測(cè)方法于1986 年由Canny[17]提 出，這是一種提取不同視覺系統(tǒng)中的有效信息，同時(shí)削減了分析數(shù)據(jù)量的邊緣檢測(cè)方法，已經(jīng)得到廣泛 應(yīng)用.

選取4 幅不同環(huán)境下的裂縫照片，第一張照片 使用正常均勻照明，第二張照片局部有強(qiáng)光，第三張 照片有陰影，第四張存在圖像扭曲.對(duì)4 張照片分別進(jìn)行SCNet 模型識(shí)別、Canny 邊緣檢測(cè)識(shí)別和Sobel 邊緣檢測(cè)識(shí)別.分析3種方法在不同環(huán)境下的檢測(cè)結(jié)果，對(duì)比討論本文構(gòu)建的SCNet 模型在不同環(huán)境 條件下的可測(cè)性.

圖12和圖13所示是在均勻光照、局部有強(qiáng)光的情況下3種方法的處理結(jié)果，可以看出本文提出的SCNet 模型方法正確輸出了鋼筋混凝土銹蝕裂縫對(duì)應(yīng)的標(biāo)簽，可以很好地分類圖像;而 Canny 邊緣檢測(cè)方法受到極大干擾，將大量噪音也識(shí)別為邊緣，無法 提供有效信息;Sobel 邊緣檢測(cè)方法可以提供一些裂 縫信息，但同樣受到噪音嚴(yán)重干擾.

圖14和圖15所示，在裂縫照片有陰影、扭曲的情況下，SCNet 模型方法可以不受干擾，正確輸出鋼筋混凝土銹蝕裂縫所對(duì)應(yīng)的標(biāo)簽;而 Canny 邊緣檢測(cè)方法在受到陰影和扭曲干擾時(shí)完全失去了邊緣特 征，不能作為分類手段;Sobel 邊緣檢測(cè)方法也極大地受到了陰影和扭曲的干擾，判斷不了黑暗區(qū)域是 由圖像損壞還是由噪音引起，不能很好地對(duì)混凝土 照片進(jìn)行分類.

這幾種情況的分類結(jié)果表明，在正常均勻光照的情況下兩種傳統(tǒng)檢測(cè)方法可以提供一些裂縫信息和邊緣特征，但是在受到局部強(qiáng)光、陰影、扭曲等干 擾的情況下，兩種傳統(tǒng)方法很難達(dá)到識(shí)別效果.所以傳統(tǒng)方法的性能受到圖像條件的制約和影響，而本文所提出的SCNet 模型分類方法則不受圖像條件的干擾，在各種情況下都能表現(xiàn)出相對(duì)穩(wěn)定的分類性能.

但目前SCNet 模型識(shí)別裂縫仍有局限性，如對(duì)拍攝的圖片要求比較高，光照不能太亮或太暗等;混凝土不能有干擾顏色或者類似裂縫的物體;圖片分割后每張圖片僅能識(shí)別單個(gè)裂縫等.

5結(jié)論

本文基于深度學(xué)習(xí) CNN 提出一種用于鋼筋混凝 土銹蝕 裂 縫 識(shí) 別的SCNet 三分類 模型，主要 結(jié)論如下：

1）設(shè)定了統(tǒng)一的圖片數(shù)據(jù)采集流程和拍攝標(biāo) 準(zhǔn)，使圖片數(shù)據(jù)的特征清晰、明確，方便后續(xù)神經(jīng)網(wǎng) 絡(luò)進(jìn)行訓(xùn)練和測(cè)試分類.

2）利用TensorFlow和Python構(gòu)建了一個(gè)混凝土銹蝕圖像識(shí)別分類的CNN 模型 SCNet，并具有較高的識(shí)別率.

3）以往將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于混凝土裂縫識(shí) 別只能實(shí)現(xiàn)對(duì)裂縫的二分類，本文提出的SCNet 模型可以識(shí)別完整混凝土、混凝土銹蝕裂縫、其他原因 引起的混凝土裂縫，實(shí)現(xiàn)了對(duì)鋼筋混凝土裂縫的三分類.

4）比較了SCNet 模型與兩種傳統(tǒng)邊緣檢測(cè)方法 在不同環(huán)境下的檢測(cè)效果，結(jié)果表明 SCNet 模型方 法相對(duì)于兩種傳統(tǒng)檢測(cè)方法在不同環(huán)境條件下都有更好的穩(wěn)定性與可測(cè)性，受圖像噪音干擾較小.

參考文獻(xiàn)

[1]陳春華，趙羽習(xí)，金偉良.銹蝕鋼筋混凝土保護(hù)層銹脹開裂時(shí)間的預(yù)測(cè)模型[J].建筑結(jié)構(gòu)學(xué)報(bào)，2010，31（2）：85-92.

LU C H，ZHAO Y X，JIN W L.modeling of time to corrosion-induced cover cracking in reinforced concrete structures[J].Jour-nal of Building Structures，2010，31（2）：85-92.（In Chinese）

[2]徐曉東.超聲波無損檢測(cè)技術(shù)在橋梁健康狀況評(píng)定中的應(yīng)用研究[D].長春：吉林大學(xué)，2008：8-13.

XU X D.Application study of ultrasonic nondestructive testing technique in bridge health condition assessment[D].Changchun： Jilin University，2008：8-13.（In Chinese）

[3]KURATAm，KImJ，LYNCH J P，et al.Internet-enabled wireless

structuralmonitoring systems：development and permanent deploy-ment at the new Carquinez suspension bridge[J].Journal of Structural Engineering，2013，139（10）：1688-1702

[4]JANG S，JO H，CHO S，et al.Structural healthmonitoring of a

cable-stayed bridge using smart sensor technology ：deployment and evaluation[J].Smart Structures and Systems，2010，6（5-6）：

439-459.

[5]CHA Y J，CHEN J G，B?Y?K?ZT?RK O.Output-only computer

vision based damage detection using phase-based optical flow and unscented Kalman filters[J].Engineering Structures，2017，132：300-313.

[6]薛亞東，李宜城.基于深度學(xué)習(xí)的盾構(gòu)隧道襯砌病害識(shí)別方法[J].湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，45（3）：100-109.? XUE Y D，LI Y C.Amethod of disease recognition for shield tun-nel lining based on deep learning[J].Journal of Hunan University（Natural Sciences），2018，45（3）：100-109.（In Chinese）

[7]LECUN Y，BENGIO Y，HINTON G.Deep learning[J].Nature，2015，521（7553）：436-444.

[8]CIRESAN D C，MEIER U，MASCI J.Flexible，high performance convolutional neural networks for image Classification[C]//In Pro-ceedings of International Joint Conference on Artificial Intelli-gence.Barcelona：AAAI，2011，15（6）：1234-1242.

[9]KRIZHEVSKY A，SUTSKEVER I，HINTON G E.ImageNet clas-sification with deep convolutional neural networks[J].Communi-cations of the ACM，2017，60（6）：84-90.

[10] 蔡光明.高速鐵路橋梁底面裂縫的視頻檢測(cè)系統(tǒng)研究[D].北京：北京交通大學(xué)，2011：8-10.

CAI Gm.Study on the video detection systemof crack on the bot-tomof high-speed rail bridge[D].Beijing：Beijing Jiaotong Uni-versity，2011：8-10.（In Chinese）

[11] LANDSTROmA，THURLEYmJ.morphology-based crack detec-tion for steel slabs[J].IEEE Journal of Selected Topics in Signal Processing，2012，6（7）：866-875.

[12]mOON H G，KImJ H.Intelligent crack detecting algorithmon the

concrete crack image using neural network[C]//28th International Symposiumon Automation and Robotics in Construction（ISARC 2011）.Seoul：International Association for Automation and Robot-ics in Construction（IAARC），2011：1461-1467.

[13] ZHANG L，YANG F，DANIEL ZHANG Y，et al.Road crack de-tection using deep convolutional neural network[C]//2016 IEEE International Conference on Image Processing（ICIP）.Phoenix，AZ：IEEE，2016：3708-3712.

[14] CHA Y J，CHOI W，B?Y?K?ZT?RK O.Deep learning-basedcrack damage detection using convolutional neural networks[J].Computer-Aided Civil and Infrastructure Engineering，2017，32（5）：361-378.

[15] 宋青松，張超，田正鑫，等.基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志 識(shí) 別[J].湖 南 大學(xué) 學(xué) 報(bào)（自然 科 學(xué) 版），2018，45（8）：131-137.

SONG Q S，ZHANG C，TIAN Z X，et al.Traffic sign recognition based onmulti-scale convolutional neural network[J].Journal of Hunan University（Natural Sciences），2018，45（8）：131-137.（In Chinese）

[16] 章毓晉.圖象處理和分析[M].北京：清華大學(xué)出版社，1999：59-64.

ZHANG Y J.Image processing and analysis[M].Beijing：Tsing-hua University Press，1999：59-64.（In Chinese）

[17] CANNY J.A computational approach to edge detection[J].IEEE

Transactions on Pattern Analysis andmachine Intelligence，1986，8（6）：679-698.