陳建立

(四川建筑職業(yè)技術(shù)學(xué)院 建筑系， 四川 德陽 618000)

1 引 言

隨著人工智能方法的迅速發(fā)展，人工智能方法在各行各業(yè)都得到了廣泛的運(yùn)用。混凝土材料是當(dāng)下土木行業(yè)的主要原材料之一，如建筑、橋梁和隧道等。由于橋梁和隧道工程所處的環(huán)境非常復(fù)雜，混凝土裂縫檢測顯得十分困難，常常需要人工進(jìn)行檢測。但人工檢測存在許多的弊端，一方面人工檢測時可能會出現(xiàn)安全問題，如橋梁橋墩檢測；另一方面，人工檢測的檢測范圍具有一定的限制，太狹小的地方人工不能檢測到，如隧道檢測等。因此，人工智能方法在混凝土檢測中得到了廣泛的研究。

楊松等通過分析混凝土裂縫圖像面積-周長關(guān)系的分形規(guī)律，提出了一種結(jié)合簡單灰度骨架提取和分形優(yōu)化的裂縫識別算法[1]。徐愛華等針對水泥混凝土路面裂縫識別的干擾和噪聲問題，提出一種結(jié)合圖像增強(qiáng)和數(shù)學(xué)形態(tài)學(xué)的裂縫檢測方法[2]。劉清元等結(jié)合數(shù)字圖像處理技術(shù),提出了判斷混凝土裂紋的綜合算法[3]。肖利芳等提出基于Sobel算子的改進(jìn)邊緣檢測算法對圖像進(jìn)行處理，能夠準(zhǔn)確識別混凝土表面裂縫的邊緣[4]。阮小麗等基于既有圖像預(yù)處理技術(shù)，提出一種新的裂縫提取及寬度計算方法[5]。衛(wèi)軍等設(shè)計了一套提取裂縫特征信息的系統(tǒng)，實(shí)現(xiàn)對寬度和長度特征的測量[6]。郭全民等采用圖像處理技術(shù)實(shí)現(xiàn)了路面裂縫的自動識別和病害參數(shù)的自動提取[7]。方志等提出采用在混凝土表面粘貼純色標(biāo)定塊來標(biāo)定、修正原始圖像[8]。查旭東等采用計算機(jī)圖像處理技術(shù)進(jìn)行裂縫圖像分析，提出了裂縫寬度的圖像識別方法[9]。朱力強(qiáng)等基于SVM的近似裂縫結(jié)構(gòu)分析法算法對隧道表面裂縫圖像各成分進(jìn)行提取，從而達(dá)到識別裂縫的目的[10]。王沖等提取破損圖形的形狀特征實(shí)現(xiàn)了典型路面破損的分類[11]。許薛軍等研究了基于數(shù)字圖像的橋梁裂縫檢測方法，深入分析評價了圖像灰度化、邊緣檢測等圖像處理算法[12]。韓曉健等建立基于深度卷積神經(jīng)網(wǎng)絡(luò)的裂縫識別模型，在圖像上自動定位裂縫并結(jié)合圖像局域閾值分割方法提取裂縫[13]。

上述研究學(xué)者通過建立神經(jīng)網(wǎng)絡(luò)模型、改進(jìn)算法等對混凝土裂縫檢測開展研究。但在檢測裂縫過程中，有許多參數(shù)需要進(jìn)一步調(diào)整。為了減少計算時間，需要對圖像進(jìn)行重構(gòu)，而重構(gòu)的采樣率需要調(diào)試得出；為了提高混凝土裂縫的檢測效率，需要選擇出最優(yōu)的二值化閾值；在檢測過程中，會出現(xiàn)邊緣陰影，因而需要選擇不同的計算算子來進(jìn)行檢測。本文根據(jù)上述思路，系統(tǒng)地介紹了混凝土裂縫檢測過程中各參數(shù)的選擇情況。通過建立卷積神經(jīng)網(wǎng)絡(luò)檢測模型，為今后混凝土裂縫檢測提供一種新的方法。

2 原材料

本文采用的是廣西南寧星之健體育設(shè)施有限公司生產(chǎn)的水泥，化學(xué)成分如表1所示，性能如表2所示。采用德州中瑞土工材料工程有限公司生產(chǎn)的礦渣，德陽產(chǎn)品加工廠生產(chǎn)的砂和石子，水為普通的自來水，具體的混凝土配合比如表3所示。

表1 水泥化學(xué)成分 Tab.1 Chemical composition of cement %

表2 水泥性能Tab.2 Cement properties

表3 混凝土配比Tab.3 Concrete proportioning (kg·m-3)

3 測試方法

3.1 卷積神經(jīng)網(wǎng)絡(luò)的介紹

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是由Hubel和Wiesel在20世紀(jì)所提出的概念[14-15]，是近年來發(fā)展較為完善的一種深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。該算法通過多個串行的卷積層和池化層間隔排列的方式逐層地學(xué)習(xí)數(shù)據(jù)特征，避免了傳統(tǒng)機(jī)器學(xué)習(xí)算法中需要人工提取數(shù)據(jù)特征的種種弊端，其結(jié)構(gòu)如圖1所示[16]。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of convolutional neural network

從圖1中可以看出，卷積神經(jīng)網(wǎng)絡(luò)包含輸入層、卷積層、池化層和輸出層等。其中卷積層是卷積神經(jīng)網(wǎng)絡(luò)的重要特點(diǎn)，對元素進(jìn)行卷積運(yùn)算以提取輸入圖像的特征，進(jìn)行語義理解[17]。卷積層的參數(shù)包括一系列小尺寸的濾波器。在進(jìn)行預(yù)測或訓(xùn)練時，每個濾波器在特征圖上沿著橫縱兩個方向滑動會生成新的特征圖。通常一個卷積層中，可以輸入一個大小為9×9×9的特征圖，經(jīng)過卷積運(yùn)算輸出一個大小為3×3×3的特征圖，如圖2所示。

圖2 卷積層Fig.2 Convolution layer

池化層一般位于卷積層之間，主要是為了減少特征圖的大小，即減小特征圖的寬度和高度，如圖3所示[18]。

圖3 池化層Fig.3 Pool layer

3.2 圖像預(yù)處理

一個圖像文件可以采用對應(yīng)尺寸大小的矩陣來表示，矩陣中的數(shù)值即為圖像像素在對應(yīng)位置上的亮度。通常圖像采集系統(tǒng)獲得的照片是彩色的RGB圖像，彩色圖像用三維矩陣(a×b×3)表示[19]。

彩色圖像的像素值由R、G、B三個分量決定，每個值的取值范圍在0～255，即每個像素值有256×256×256種可能，直接對彩色圖像進(jìn)行處理，會降低計算效率，增加圖像處理的難度。通常對初始獲得的裂縫圖像進(jìn)行灰度化、濾波等各種預(yù)處理，以便實(shí)現(xiàn)更好的裂縫識別效果。選取R、G、B三個通道的任意一個通道值作為灰度圖像灰度值。

ImgGray (a0,b0) =R(a0,b0) or

ImgGray (a0,b0) =G(a0,b0) or

ImgGray (a0,b0) =B(a0,b0),

式中，ImgGray (a0,b0)為灰度圖像在(a0,b0)處的灰度值。

4 分析結(jié)果

4.1 采樣重構(gòu)效果

在MATLAB中調(diào)用卷積神經(jīng)網(wǎng)絡(luò)函數(shù)，首先對圖片進(jìn)行預(yù)處理：圖片重構(gòu)，這一步驟能夠?yàn)闇p少計算時間做鋪墊。從圖4可以得出，當(dāng)采樣率為0.1時，重構(gòu)圖像顯得有點(diǎn)模糊，與原圖相比，混凝土部分都比較粗糙，這說明在重構(gòu)圖像沒有采集到精確的圖像信息。當(dāng)采樣率為0.3與0.4時，重構(gòu)圖像基本一致，與原圖相比也幾乎無差異，這說明當(dāng)采樣率達(dá)到0.3時就足以重構(gòu)圖像。

4.2 二值化結(jié)果

在MATLAB中設(shè)定不同的二值化閾值來分析二值化對圖像識別的影響，以確定最佳閾值，如圖5所示。從圖5中可以看出，卷積神經(jīng)網(wǎng)絡(luò)能夠識別混凝土中的裂縫。當(dāng)二值化閾值為0.3時，能夠看出裂縫的所在位置及走勢，但相比于二值化為0.4時的圖像不夠清晰。而當(dāng)二值化閾值在0.5以上時，很明顯地能看到裂縫其他位置出現(xiàn)陰影，即邊緣效應(yīng)，因此在該圖片識別過程中二值化閾值為0.4為最佳。

圖4 圖像重構(gòu)Fig.4 Image reconstruction

圖5 二值化閾值的影響Fig.5 Effect of binarization threshold

4.3 邊緣檢測效果

根據(jù)上述結(jié)果，即二值化閾值為0.4為最佳，但上述顯示出過高的二值化閾值會出現(xiàn)邊緣效應(yīng)。因此本節(jié)在MATLAB中選擇3種邊緣檢測算子(拉普拉斯算子、索貝爾算子和Canny算子)對圖片的邊緣進(jìn)行檢測，如圖6所示。

圖6 邊緣檢測Fig.6 Edge detection

從圖6以看出，3種算子在邊緣檢測中都能夠準(zhǔn)確地識別出裂縫的形態(tài)與特征。每個算子識別特點(diǎn)均不同，拉普拉斯算子通過邊緣檢測得出了一條斷斷續(xù)續(xù)的曲線，但在曲線上下兩側(cè)均不同程度地出現(xiàn)了亮點(diǎn)；Canny算子在邊緣檢測中的識別效率最高，裂縫發(fā)展過程顯得最為明顯，并且能夠標(biāo)記出完整的裂縫圖像；索貝爾算子通過邊緣檢測能夠較為清晰地看出裂縫發(fā)展情況，但在裂縫的中間處出現(xiàn)不連續(xù)的情況，導(dǎo)致所呈現(xiàn)出的裂縫形態(tài)不是十分完整。因此，在卷積神經(jīng)網(wǎng)絡(luò)中采用Canny算子進(jìn)行邊緣檢測。

3.4 裂縫檢測效果

為了驗(yàn)證3種算子(拉普拉斯算子、索貝爾算子和Canny算子)對圖片邊緣檢測識別準(zhǔn)確的同時對裂縫本身也能夠進(jìn)行準(zhǔn)確識別，調(diào)用Matlab程序?qū)α芽p進(jìn)行識別，如圖7所示。

圖7 裂縫檢測Fig.7 Crack detection

從圖7可以得出，3種算子在裂縫檢測過程中能夠識別出裂縫的大致走向與形貌。但從圖中可以總結(jié)出Canny算子在邊緣檢測和裂縫檢測中的效果是最佳的，索貝爾算子的邊緣檢測和裂縫檢測的效果比拉普拉斯算子要好。

5 結(jié) 論

通過Matlab工具箱建立了卷積神經(jīng)網(wǎng)絡(luò)模型，并以此對混凝土圖片的重構(gòu)、二值化閾值、混凝土裂縫的邊緣和混凝土裂縫的走向形貌進(jìn)行檢測，得到了以下結(jié)論：

預(yù)處理圖像能夠減少計算時間，而合適的采樣率對圖片的重構(gòu)十分重要。當(dāng)采樣率較小時，重構(gòu)的圖像會顯得十分模糊；采樣率越大，重構(gòu)圖片會越清晰，但處理時間會明顯加長。對于本文混凝土圖片處理時，采樣率為0.3時最佳。

隨著二值化閾值的增大，裂縫檢測效率逐漸增大隨后下降。二值化閾值較小時，會導(dǎo)致裂縫檢測不連續(xù)，不清晰；而過高的二值化閾值會導(dǎo)致圖片出現(xiàn)較強(qiáng)的邊緣效應(yīng)；對于本文混凝土圖片處理時，二值化閾值為0.4時最佳。

3種檢測算子(拉普拉斯算子、索貝爾算子和Canny算子)在邊緣檢測和裂縫檢測中都能夠識別出裂縫的形態(tài)與走向。但不同算子的檢測效率都不同，Canny算子對邊緣檢測和裂縫檢測的效果最佳，索貝爾算子的效果次之，拉普拉斯算子的效果較差。