孫瑞猛，劉偉，喻東曉，劉妍妍

（1.泊頭市交通運(yùn)輸局，河北 滄州062154；2.滄州市道路運(yùn)輸事業(yè)發(fā)展中心，河北 滄州061014；3.河北興滄工程檢測(cè)技術(shù)有限公司，河北 滄州061000；4.河北水利電力學(xué)院，河北 滄州061001）

1 引言

混凝土被廣泛應(yīng)用于基礎(chǔ)設(shè)施建設(shè)， 裂縫是混凝土結(jié)構(gòu)的常見(jiàn)病害，嚴(yán)重時(shí)可能會(huì)導(dǎo)致整體性破壞。 我國(guó)基礎(chǔ)設(shè)施數(shù)量多，存量大，監(jiān)測(cè)維護(hù)任務(wù)繁重，因此，高效精準(zhǔn)地識(shí)別混凝土表面裂縫是行業(yè)中的一個(gè)重要需求。

近年來(lái)，為克服現(xiàn)有技術(shù)的缺陷，實(shí)現(xiàn)自動(dòng)識(shí)別裂縫，大量學(xué)者通過(guò)攝像頭采集混凝土表面圖像， 利用圖像處理或者機(jī)器視覺(jué)技術(shù)自動(dòng)識(shí)別混凝土裂縫[1-2]。 此外，有學(xué)者對(duì)裂縫圖像特征變換開(kāi)展了針對(duì)性的研究， 利用機(jī)器學(xué)習(xí)識(shí)別裂紋的高級(jí)特征以實(shí)現(xiàn)自動(dòng)判別裂紋[3-4]。

本研究提出一種針對(duì)混凝土表面裂縫的快速識(shí)別方法，采用圖像特征變換的方法，實(shí)現(xiàn)對(duì)裂縫圖像形態(tài)特征的識(shí)別。分類器總體復(fù)雜度及樣本需求量大大降低，提高了準(zhǔn)確率，降低了開(kāi)發(fā)成本和難度，具有較高的工程應(yīng)用價(jià)值。

2 圖像特征轉(zhuǎn)換方法

2.1 混凝土表面圖像形態(tài)特征分類

通過(guò)對(duì)大量橋梁、 隧道等水泥混凝土工程構(gòu)造物表面圖像分析， 可以將混凝土表面存在的視覺(jué)對(duì)象分為以下6 種類別，即裂縫、斑塊或污漬、文字、水痕或者補(bǔ)痕、施工縫、筆畫或劃痕等，具體如圖1 所示。

圖1 水泥混凝土表面視覺(jué)對(duì)象類型

作為一種視覺(jué)對(duì)象，裂縫與其他紋理圖案的差異主要在于其幾何形態(tài)，而顏色、明暗等其他方面的差異并不明顯。 因此，通過(guò)對(duì)視覺(jué)對(duì)象進(jìn)行特征轉(zhuǎn)換，把像素（灰度）信息變換為幾何形態(tài)信息，進(jìn)而用于區(qū)分裂縫與非裂縫，能夠獲得較為理想的效果。

2.2 混凝土表面圖像特征轉(zhuǎn)換

混凝土表面圖像經(jīng)過(guò)二值化處理， 可以得到視覺(jué)對(duì)象的輪廓。 輪廓是一個(gè)由二值圖形的外邊緣點(diǎn)構(gòu)成的點(diǎn)集，它保留了對(duì)象的形態(tài)特征，降低了其他無(wú)效特征的干擾。

Suzuki S 等[5]提出的輪廓提取算法，能夠高效地獲得圖像的嚴(yán)格封閉輪廓。 在此基礎(chǔ)上， 可以對(duì)輪廓進(jìn)行進(jìn)一步的處理，提取出裂縫輪廓的一系列特征值，進(jìn)而實(shí)現(xiàn)對(duì)樣本的特征轉(zhuǎn)換，區(qū)分裂縫與其他對(duì)象的有效特征。

1）周長(zhǎng)（Fp）：周長(zhǎng)是輪廓作為一個(gè)點(diǎn)集所含點(diǎn)的個(gè)數(shù)。

2）面積比（Fa）：面積比的定義是輪廓的面積除以周長(zhǎng)。 裂縫的形態(tài)是狹長(zhǎng)的，因而其面積比一般很小。

3）圓率（Fc）：圓率等于輪廓的面積除以周長(zhǎng)相同的圓的面積，取值介于0～1。 裂縫形態(tài)狹長(zhǎng)，其圓率一般接近0。

4）方正率（Fe）：方正率等于輪廓最小外接矩形的寬與長(zhǎng)之比。 它反映了輪廓在二維平面上的集中程度。

5）填充度（Fr）：填充度是輪廓自身的面積與最小外接矩形的面積之比，它表達(dá)了輪廓整體形狀的筆直程度。

6）離散度（Fs）：離散度是輪廓上每個(gè)點(diǎn)到最小外接矩形的中心的歐氏距離平均值。 它既反映了輪廓幾何上的集中程度，也反映輪廓的絕對(duì)尺寸大小。

2.3 圖像特征轉(zhuǎn)換示例

在獲取被測(cè)表面的圖像后，通過(guò)二值化、提取輪廓、求取特征3 個(gè)步驟，即可實(shí)現(xiàn)視覺(jué)對(duì)象的特征轉(zhuǎn)換。

如圖2 所示，其中視覺(jué)對(duì)象有3 類，左側(cè)的裂縫、中部的水痕以及右側(cè)的文字，將圖像進(jìn)行二值化后提取輪廓，并按照周長(zhǎng)閾值濾除圖中噪點(diǎn)，剩下4 個(gè)輪廓，再對(duì)4 個(gè)輪廓分別求特征值。

經(jīng)過(guò)以上轉(zhuǎn)換， 原始圖片中的視覺(jué)對(duì)象變換為由6 個(gè)雙精度數(shù)值組成的數(shù)組。 特征變換之后， 視覺(jué)對(duì)象的信息被簡(jiǎn)化， 簡(jiǎn)化后所得到的特征值體現(xiàn)了與裂縫特征具有強(qiáng)相關(guān)性的幾何形態(tài)，而濾除了其他無(wú)關(guān)特征。 后續(xù)的分類器訓(xùn)練和識(shí)別均基于特征數(shù)組進(jìn)行展開(kāi)。

3 級(jí)聯(lián)分類器模型

通過(guò)對(duì)裂紋圖案及各種干擾圖案類型的分析，本文建立了一種級(jí)聯(lián)結(jié)構(gòu)的分類器模型， 以用于對(duì)混凝土表面裂縫的快速識(shí)別。 具體裂縫識(shí)別算法的級(jí)聯(lián)分類器結(jié)構(gòu)如圖3所示。

圖3 裂縫識(shí)別算法的級(jí)聯(lián)分類器結(jié)構(gòu)

整個(gè)分類器由5 個(gè)層級(jí)的子分類器串聯(lián)而成， 且每個(gè)子分類器的作用在于排除特定類型的負(fù)樣本。 通過(guò)了所有分類器的對(duì)象，則確定為裂縫。 各個(gè)子分類器的結(jié)構(gòu)、激活函數(shù)、損失函數(shù)均相同，但由于它們訓(xùn)練樣本和所采用的特征不同，故其任務(wù)學(xué)習(xí)能力也有所差異。 此外，混凝土表面裂紋識(shí)別目標(biāo)相對(duì)單一， 故識(shí)別算法中僅設(shè)置雙隱藏層， 共4 層的神經(jīng)網(wǎng)絡(luò)。 各個(gè)子分類器的訓(xùn)練均獨(dú)立進(jìn)行，正樣本統(tǒng)一采用裂紋樣本組，而負(fù)樣本則使用對(duì)應(yīng)的干擾圖案樣本組。

本文采用式（1）所示損失函數(shù)：

式中，Li為第i 個(gè)樣本在本級(jí)分類器的損失；x 為子分類器的輸出值；k 為相關(guān)系數(shù)，若訓(xùn)練樣本i 為裂縫，為提高棄真錯(cuò)誤的損失，k 需大于1；若訓(xùn)練樣本i 為非裂縫，為降低納偽錯(cuò)誤的損失，k 需設(shè)定為0～1。

4 模型訓(xùn)練及性能評(píng)價(jià)

4.1 樣本庫(kù)建立

為了驗(yàn)證級(jí)聯(lián)分類模型的有效性， 采用自主研發(fā)的裂縫檢測(cè)手持設(shè)備進(jìn)行測(cè)試。設(shè)備外觀如圖4 所示。通過(guò)小輪使攝像頭在混凝土構(gòu)造物表面掃動(dòng)， 外加光源與攝像頭固定在一起， 形成統(tǒng)一穩(wěn)定的圖像采集環(huán)境。 為了盡可能減少手持重量，檢測(cè)器被設(shè)計(jì)成分離式結(jié)構(gòu)。

圖4 自制手持式裂縫檢測(cè)設(shè)備實(shí)物圖

通過(guò)自開(kāi)發(fā)裂縫檢測(cè)手持設(shè)備共采集2 866 張混凝土照片，并對(duì)照片進(jìn)行提取分類。其中裂縫圖案1 042 個(gè)、斑塊圖案673 個(gè)、文字圖案450 個(gè)、水痕圖案324 個(gè)、施工縫圖案109 個(gè)、筆跡圖案362 個(gè)。將圖案轉(zhuǎn)換為6 個(gè)特征值，進(jìn)而形成樣本庫(kù)。

4.2 子分類器的特征選取及訓(xùn)練

采用交叉驗(yàn)證的方法尋找最優(yōu)特征組合， 即從6 個(gè)特征量中選取n 個(gè)（1≤n≤6），則可能的取法數(shù)目為：

訓(xùn)練集中的所有樣本隨機(jī)分為5 個(gè)子集。 訓(xùn)練時(shí)每次輪流選取其中1 個(gè)子集作為臨時(shí)測(cè)試集，其他4 個(gè)子集作為訓(xùn)練集。 對(duì)于某個(gè)子分類器，依次選用63 種特征量組合構(gòu)建神經(jīng)網(wǎng)絡(luò)，對(duì)每個(gè)網(wǎng)絡(luò)輪流測(cè)試5 組訓(xùn)練子集，并在臨時(shí)測(cè)試集上檢驗(yàn)準(zhǔn)確率。 多次嘗試后，找到某個(gè)網(wǎng)絡(luò)對(duì)所有臨時(shí)測(cè)試集的準(zhǔn)確度都比較高，則認(rèn)為它是一個(gè)沒(méi)有過(guò)擬合的最優(yōu)訓(xùn)練結(jié)果。

經(jīng)測(cè)試得到各子分類器特征選取結(jié)果如表1 所示。

表1 子分類器特征量選取結(jié)果

4.3 模型性能評(píng)價(jià)

圖5 對(duì)比了級(jí)聯(lián)分類器與非級(jí)聯(lián)結(jié)構(gòu)的普通全連接神經(jīng)網(wǎng)絡(luò)分類器的訓(xùn)練效率。 其中級(jí)聯(lián)分類器的迭代次數(shù)是每個(gè)子分類器迭代次數(shù)之和。3 次試驗(yàn)A、B、C 中，總的迭代次數(shù)均大于普通分類器。 級(jí)聯(lián)分類器中每個(gè)子分類器的結(jié)構(gòu)比較簡(jiǎn)單， 故其總體訓(xùn)練成本要低于普通分類器， 訓(xùn)練效率可提升35%以上。 級(jí)聯(lián)分類器對(duì)樣本庫(kù)數(shù)量的敏感度更低，且效率較高，可以在樣本數(shù)量偏少的情況下取得較好的訓(xùn)練效果。

圖5 普通全連接神經(jīng)網(wǎng)絡(luò)與級(jí)聯(lián)分類器訓(xùn)練效率

5 結(jié)語(yǔ)

本文基于圖像特征變換和級(jí)聯(lián)分類模型， 構(gòu)建了一種用于混凝土表面裂縫快速識(shí)別方法， 并采用自主開(kāi)發(fā)的裂縫檢測(cè)設(shè)備采集數(shù)據(jù)，對(duì)模型展開(kāi)訓(xùn)練及驗(yàn)證，主要得出如下結(jié)論：

1）通過(guò)特征變換將裂縫圖案轉(zhuǎn)化為特征值，能有效突出裂縫與其他圖案的形態(tài)區(qū)別，使分類器復(fù)雜性大大降低。

2）級(jí)聯(lián)分類器的準(zhǔn)確率高，且訓(xùn)練效率明顯提升，對(duì)樣本數(shù)量的要求降低，表現(xiàn)出更高的可靠性和魯棒性。