梁雪慧，程云澤，張瑞杰，趙 菲

（1. 天津市復(fù)雜系統(tǒng)控制理論與應(yīng)用重點(diǎn)實(shí)驗(yàn)室（天津理工大學(xué)），天津300384；2. 天津理工大學(xué)電氣電子工程學(xué)院，天津300384）

（?通信作者電子郵箱*1871545564@qq.com）

0 引言

橋梁是交通設(shè)施互連的關(guān)鍵節(jié)點(diǎn)和樞紐項(xiàng)目，是國(guó)民經(jīng)濟(jì)發(fā)展和社會(huì)生活安全的重要保障。中國(guó)橋梁總數(shù)穩(wěn)居世界第一［1］，橋梁的維護(hù)和管理已成為確保橋梁安全運(yùn)行的關(guān)鍵。橋梁的質(zhì)量和安全與經(jīng)濟(jì)和民生息息相關(guān)，橋梁上事故的發(fā)生往往是由于缺乏科學(xué)及時(shí)的病害檢測(cè)。裂縫是最主要的橋梁病害之一，如果不及時(shí)處理，很有可能造成橋毀人亡的意外。因此，選擇科學(xué)有效的檢測(cè)措施對(duì)橋梁進(jìn)行定期檢查迫在眉睫。

近年來(lái)，為了準(zhǔn)確、快速地提取橋梁裂縫，國(guó)內(nèi)外研究者開(kāi)展了全面而深入的研究，并取得了顯著的成就。Aerobi EU項(xiàng)目已在歐洲建立，旨在開(kāi)發(fā)和驗(yàn)證創(chuàng)新的智能空中機(jī)器人系統(tǒng)的原型。Sanchez-Cuevas 等［2-3］設(shè)計(jì)了無(wú)人機(jī)的橋梁檢測(cè)系統(tǒng)；Amhaz 等［4］針對(duì)路面裂縫的對(duì)比度低、連續(xù)性差等特點(diǎn)，提出了一種基于最小代價(jià)路徑搜索的路面裂縫檢測(cè)算法；王耀東等［5］針對(duì)全局圖像檢測(cè)精度低的問(wèn)題，采用分塊的思想處理圖像。還有很多其他檢測(cè)算法［6-12］被提出，但這些圖像處理方法檢測(cè)裂縫大都需要手動(dòng)設(shè)計(jì)特征及設(shè)定參數(shù)，準(zhǔn)確率低且周期長(zhǎng)，不能很好地對(duì)橋梁裂縫進(jìn)行檢測(cè)。

深度學(xué)習(xí)是近些年才提出的智能識(shí)別方法［13］，在其他領(lǐng)域表現(xiàn)突出，但應(yīng)用到橋梁裂縫檢測(cè)上還有很大挑戰(zhàn):1）訓(xùn)練網(wǎng)絡(luò)需要大量樣本，目前裂縫標(biāo)簽樣本數(shù)據(jù)匱乏；2）經(jīng)典的深度學(xué)習(xí)模型直接用于橋梁裂縫檢測(cè)時(shí)，效果不甚理想。針對(duì)這些局限性，本文提出一種基于改進(jìn)GoogLeNet 網(wǎng)絡(luò)的橋梁裂縫檢測(cè)方法。該方法的主要流程如圖1 所示，主要設(shè)計(jì)內(nèi)容包括數(shù)據(jù)來(lái)源和標(biāo)簽、裂縫圖像預(yù)處理、裂縫圖像分類(lèi)識(shí)別及裂縫的定位和測(cè)量。

圖1 本文方法的流程Fig. 1 Flowchart of the proposed method

1 數(shù)據(jù)來(lái)源和標(biāo)簽

使用實(shí)地隨機(jī)環(huán)境下采集的800 張不同橋梁的裂縫圖像樣本，首先將其歸一化為2 048× 1024 分辨率的圖片，然后采用固定大小256 × 256的窗口進(jìn)行滑動(dòng)裁剪，裁剪后的圖片分為包含裂縫的裂縫圖片和不包含裂縫的背景圖片，共24 000張。從中挑選7 500張裂縫圖片組成裂縫數(shù)據(jù)集，挑選15 000張背景圖片組成背景數(shù)據(jù)集，并將其拆分成訓(xùn)練集和測(cè)試集。數(shù)據(jù)集構(gòu)建成功后，利用Jupyter Notebook 分別對(duì)訓(xùn)練集和測(cè)試集的裂縫和背景圖片構(gòu)建相應(yīng)的類(lèi)別標(biāo)簽，組成帶標(biāo)簽的原始的數(shù)據(jù)集，如表1所示。

表1 裂縫帶標(biāo)簽原始數(shù)據(jù)集Tab.1 Crack tagged original dataset

2 橋梁裂縫的預(yù)處理

為了保證檢測(cè)方法能應(yīng)對(duì)各種復(fù)雜的情況，800 張圖片中包含若干低質(zhì)量的圖片，如霧天、陰天等特殊天氣，橋梁上建筑物遮擋導(dǎo)致的光線不足等，如圖2（a）為陰天、光照不足時(shí)的裂縫圖片。為了保證訓(xùn)練圖片的質(zhì)量，需要對(duì)裂縫圖片進(jìn)行一系列特殊的處理。

圖片經(jīng)過(guò)雙邊濾波［14］和Retinex［15］圖像增強(qiáng)算法后圖像明顯要比原始圖像亮，達(dá)到處理特殊天氣和有建筑物遮擋光照不足的情況，效果如圖2（b）所示。拉普拉斯銳化是一種提高圖片對(duì)比度的圖像處理方法，此方法也可以提高裂縫邊緣細(xì)節(jié)，效果如圖2（c）所示。為了進(jìn)一步提高對(duì)比度，將銳化后的圖像進(jìn)行灰度化處理后，采用直方圖均衡化（Histogram Equalization）的方法［16］提升裂縫和背景的對(duì)比度，效果如圖2（d）所示，經(jīng)過(guò)均衡化操作，與原始圖像相比清晰程度有明顯提升。

圖2 預(yù)處理效果Fig.2 Preprocessing effect diagram

將7 500 張裂縫圖片和15 000 背景圖片進(jìn)行雙邊濾波、Retinex 圖像增強(qiáng)、拉普拉斯銳化、直方圖均衡化一系列的圖像預(yù)處理操作，命名本文預(yù)處理方法為RLH（Retinex-Laplace-Histogram Equalization），可以發(fā)現(xiàn)處理后的圖像增強(qiáng)了人眼觀察的視覺(jué)效果，圖片更清晰。將經(jīng)過(guò)RLH 處理的數(shù)據(jù)集命名為RLH數(shù)據(jù)集。

本文中，對(duì)訓(xùn)練集和測(cè)試集的圖片都進(jìn)行預(yù)處理操作，以保證訓(xùn)練和測(cè)試的準(zhǔn)確率。當(dāng)新圖片放入訓(xùn)練好的網(wǎng)絡(luò)中識(shí)別是否為裂縫時(shí)，雖然需要先經(jīng)過(guò)預(yù)處理操作，但也提高了分類(lèi)的準(zhǔn)確率，所以對(duì)測(cè)試集圖片進(jìn)行預(yù)處理操作非常必要。

3 橋梁裂縫圖像分類(lèi)識(shí)別方法

3.1 GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)［17］是人工神經(jīng)網(wǎng)絡(luò)的一種，已成為當(dāng)前語(yǔ)音分析和圖像識(shí)別領(lǐng)域的研究熱點(diǎn)。GoogLeNet［18］網(wǎng)絡(luò)模型是具有22 層的深度網(wǎng)絡(luò)，該模型說(shuō)明了采用更多的卷積核和更深的網(wǎng)絡(luò)可以達(dá)到更好的預(yù)測(cè)結(jié)果，而且相對(duì)于AlexNet和同年提出的VGG（Visual Geometry Group），參數(shù)數(shù)量要小得多。模型如圖3所示。

圖3 GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)Fig. 3 GoogLeNet network structure

3.2 原始數(shù)據(jù)與RLH處理數(shù)據(jù)對(duì)比

在caffe 框架下采用GoogLeNet 網(wǎng)絡(luò)模型分別訓(xùn)練原始數(shù)據(jù)集和經(jīng)過(guò)RLH 處理的數(shù)據(jù)集，訓(xùn)練次數(shù)定為2 000 次，定義測(cè)試集準(zhǔn)確率為被正確分類(lèi)的裂縫和背景圖片與放入網(wǎng)絡(luò)的總裂縫和背景圖片的比值，測(cè)試集準(zhǔn)確率對(duì)比如表2 所示。統(tǒng)計(jì)4次訓(xùn)練結(jié)果平均值，相對(duì)于原始數(shù)據(jù)，采用RLH 處理的數(shù)據(jù)訓(xùn)練集準(zhǔn)確率提升了1.91 個(gè)百分點(diǎn)，測(cè)試集準(zhǔn)確率提升了3.07個(gè)百分點(diǎn)。

表2 原始數(shù)據(jù)集和RLH數(shù)據(jù)集訓(xùn)練對(duì)比 單位：%Tab. 2 Comparison of training between original data set and RLH data set unit:%

3.3 改進(jìn)的GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)

1）GoogLeNet 網(wǎng)絡(luò)各inception 層仍然使用了5× 5 的卷積核，大的卷積核不利于網(wǎng)絡(luò)提取裂縫特征，而且網(wǎng)絡(luò)的參數(shù)也會(huì)大大增加，因此對(duì)網(wǎng)絡(luò)的inception 層的卷積核進(jìn)行歸一化處理，將inception 層中全部使用1× 1 的卷積核和3× 3 的卷積核，如圖4 所示，將原始的5× 5 的卷積核變成兩個(gè)3× 3 的卷積核，這樣處理原本的25（5× 5）個(gè)參數(shù)能減少到18（2 ×3× 3）個(gè)，原始的GoogLeNet網(wǎng)絡(luò)中存在9個(gè)inception 層，這樣采用歸一化的卷積核不僅可以增加網(wǎng)絡(luò)的深度，也可以減少訓(xùn)練參數(shù)，提高訓(xùn)練速度。

圖4 改進(jìn)inception層前后對(duì)比Fig. 4 Comparison before and after improving the inception layer

2）由圖3 可知，原始的GoogLeNet 網(wǎng)絡(luò)開(kāi)頭用的也是7×7 的卷積核，因此對(duì)網(wǎng)絡(luò)開(kāi)頭作3 種嘗試，具體結(jié)構(gòu)如圖5 所示。3 種結(jié)構(gòu)全部采用3× 3 卷積核，準(zhǔn)確率和時(shí)間復(fù)雜度對(duì)比如表3 所示，數(shù)據(jù)顯示，結(jié)構(gòu)三網(wǎng)絡(luò)模型的識(shí)別裂縫的準(zhǔn)確率比GoogLeNet 模型提升了2.06 個(gè)百分點(diǎn)且時(shí)間復(fù)雜度更低，表明結(jié)構(gòu)三模型識(shí)別裂縫更合適。

圖5 GoogLeNet網(wǎng)絡(luò)開(kāi)頭三種方案Fig. 5 First three schemes for GoogLeNet networks

表3 三種修改方案性能對(duì)比Tab. 3 Performance comparison of three modified schemes

3）針對(duì)橋梁裂縫，在利用經(jīng)過(guò)RLH 處理數(shù)據(jù)集對(duì)改進(jìn)的GoogLeNet 網(wǎng)絡(luò)進(jìn)行訓(xùn)練的過(guò)程中，發(fā)現(xiàn)GoogLeNet 網(wǎng)絡(luò)中的Accuracy2、Accuracy3（具體位置見(jiàn)圖3）隨時(shí)間變化的數(shù)值基本一樣，Loss2、Loss3（具體位置見(jiàn)圖3）的數(shù)值也相差不多。對(duì)比如表4所示，考慮到在第6個(gè)inception后裂縫識(shí)別的準(zhǔn)確率和損失值已經(jīng)達(dá)到完整網(wǎng)絡(luò)的訓(xùn)練效果，那么可以去掉七層及以后的inception 層以縮減訓(xùn)練時(shí)間。經(jīng)后期分析，出現(xiàn)上述情況的原因是GoogLeNet 模型是ILSVRC（ImageNet large Scale Recognition Challenge）競(jìng)賽中針對(duì)1 000 種標(biāo)簽的分類(lèi)模型，其中個(gè)別類(lèi)別特征細(xì)節(jié)比較難提取，所以需要更多的inception 層提取它的微小特征。裂縫紋理相對(duì)簡(jiǎn)單，所以到第6個(gè)inception層已經(jīng)能夠提取出它的特征。

圖6 改進(jìn)GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)Fig. 6 Improved GoogLeNet network structure

表4 GoogLeNet網(wǎng)絡(luò)各層測(cè)試準(zhǔn)確率和損失值對(duì)比Tab. 4 Comparison of test accuracy and test loss value of each layer of GoogLeNet network

3.4 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)采用隨機(jī)梯度下降法（Stochastic Gradient Descent，SGD）［19］訓(xùn)練網(wǎng)絡(luò)，分類(lèi)結(jié)果采用Softmax 函數(shù)進(jìn)行計(jì)算。

其中:Pi為網(wǎng)絡(luò)輸出結(jié)果為類(lèi)別i 的概率；xi為網(wǎng)絡(luò)最后一層第一個(gè)節(jié)點(diǎn)的輸出值；n為劃分類(lèi)別總數(shù)。

其中:gt為t時(shí)刻的梯度；c為衰減因子，用于控制在t時(shí)刻之前要累計(jì)多少之前的梯度信息；θt-1、θt代表更新前后參數(shù)；η 為學(xué)習(xí)率；RMS[g]t為均方根；ε是為了防止分母為0。上述更新方法解決了對(duì)歷史梯度一直累加而導(dǎo)致學(xué)習(xí)率一直下降的問(wèn)題，但還需要自己選擇初始的學(xué)習(xí)率，因此采用下面公式確定學(xué)習(xí)率的自適應(yīng)變化:

將η 換成一個(gè)能夠根據(jù)梯度信息自動(dòng)變化的量，從而做到學(xué)習(xí)率的自適應(yīng)變化。假設(shè)需要學(xué)習(xí)的函數(shù)映射在局部是光滑的，那么可以用前一次更新的參數(shù)Δθt-1近似Δθt，參數(shù)更新如式（7）所示。

通過(guò)將大卷積核變成小卷積核的操作分別修改GoogLeNet 的inception 層和網(wǎng)絡(luò)開(kāi)頭，再加上裁去第7 個(gè)及以后 的inception 層，對(duì) 比 本 文 網(wǎng) 絡(luò) 與AlaxNet、GoogLeNet、improved_CNN 的測(cè)試集準(zhǔn)確率、訓(xùn)練時(shí)間和測(cè)試集損失值，結(jié)果如表5 所示?？梢园l(fā)現(xiàn)相對(duì)于原始GoogLeNet 網(wǎng)絡(luò)訓(xùn)練本文網(wǎng)絡(luò)準(zhǔn)確率提升了3.13 個(gè)百分點(diǎn)，訓(xùn)練時(shí)長(zhǎng)縮短為原來(lái)的64.6%。相對(duì)于AlaxNet、improved_CNN 本文網(wǎng)絡(luò)訓(xùn)練時(shí)間稍長(zhǎng)，但準(zhǔn)確率明顯更高，通過(guò)對(duì)比數(shù)據(jù)可以發(fā)現(xiàn)，本文網(wǎng)絡(luò)訓(xùn)練裂縫圖片具有更好的識(shí)別效果和訓(xùn)練速度。

在caffe 框架下，采用上述4 種網(wǎng)絡(luò)模型分別訓(xùn)練原始數(shù)據(jù)集和經(jīng)過(guò)RLH 處理的數(shù)據(jù)集各3 次，測(cè)試集準(zhǔn)確率對(duì)比如表5 所示，統(tǒng)計(jì)3 次訓(xùn)練結(jié)果平均值可以發(fā)現(xiàn)，相對(duì)于原始數(shù)據(jù)，采用RLH 處理的數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)四種網(wǎng)絡(luò)的測(cè)試集準(zhǔn)確率都有所提升，本文網(wǎng)絡(luò)測(cè)試集準(zhǔn)確率更是提升了2%，說(shuō)明采用RLH數(shù)據(jù)集訓(xùn)練效果更好。

表5 本文網(wǎng)絡(luò)與其他網(wǎng)絡(luò)訓(xùn)練效果對(duì)比Tab. 5 Comparison of training effects between the proposed network and other networks

4 裂縫的定位和測(cè)量

4.1 裂縫定位

在第3 章中，將RLH 數(shù)據(jù)集放入改進(jìn)的GoogLeNet 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類(lèi)識(shí)別裂縫模型，即后綴名為caffemodel 的文件。接下來(lái)，準(zhǔn)備100 張新采集并歸一化為2 048× 1024 分辨率的圖片，同樣采用滑動(dòng)窗口大小為256 ×256對(duì)裂縫進(jìn)行裁剪，并利用RLH 數(shù)據(jù)集訓(xùn)練好的caffe model文件預(yù)測(cè)新裁剪的大小為256 × 256的圖片，如果預(yù)測(cè)為裂縫圖片，把裁剪下來(lái)的圖片用方框標(biāo)注，并進(jìn)行標(biāo)號(hào)。按照從左到右、從上到下的順序，從大圖片上裁剪小圖片放入分類(lèi)網(wǎng)絡(luò)識(shí)別裂縫，如果是裂縫用方框標(biāo)記，直到把整張大圖片裁剪完，即實(shí)現(xiàn)裂縫的定位。這樣通過(guò)滑動(dòng)窗口，對(duì)于小圖片相當(dāng)于識(shí)別，對(duì)于大圖片相當(dāng)于定位，也就是說(shuō)裂縫的識(shí)別和定位其實(shí)是同步的。定位圖如圖7（a）所示，可以看出，相比整張裂縫圖片定位，分塊處理定位裂縫更加準(zhǔn)確。

圖7 定位和骨架提取Fig.7 Positioning and skeleton extraction

4.2 裂縫的提取

本文采用滑動(dòng)窗口定位橋梁裂縫，與此同時(shí)，也把整張圖片分為32 張256 × 256 的小方塊，分別對(duì)每個(gè)小方塊采用最大類(lèi)間方差法分割圖像，得到橋梁裂縫的二值圖像，并將連通區(qū)域像素點(diǎn)的個(gè)數(shù)定義為Mi，二值圖如圖7（b）所示。

本文對(duì)橋梁裂縫采用滑動(dòng)窗口分塊處理，優(yōu)點(diǎn)如下:

1）對(duì)每個(gè)小圖片進(jìn)行預(yù)處理的操作，處理更具細(xì)節(jié)，能更清楚地反映圖片的紋理信息。

2）將小圖片放進(jìn)網(wǎng)絡(luò)中訓(xùn)練，網(wǎng)絡(luò)更容易提取裂縫特征。

3）相比整張裂縫圖片定位，分塊處理定位裂縫更加準(zhǔn)確。

4）把每張小圖片分開(kāi)進(jìn)行閾值分割，這樣能更準(zhǔn)確地提取出裂縫邊緣信息，以便后續(xù)對(duì)裂縫長(zhǎng)度和寬度的計(jì)算。

4.3 骨架提取算法計(jì)算裂縫長(zhǎng)度和寬度

4.3.1 裂縫的長(zhǎng)度

得到裂縫圖像的二值圖，再采用骨架提取算法計(jì)算裂縫的長(zhǎng)度和寬度。遍歷整個(gè)圖像，找出所有像素值為1 且滿(mǎn)足周?chē)? 連通區(qū)域至少有一個(gè)像素為0 的點(diǎn)，如果這些點(diǎn)為Pi，其鄰域的8個(gè)點(diǎn)順時(shí)針?lè)謩e為P2、P3、…、P9，如圖8（a）所示。

標(biāo)記同時(shí)滿(mǎn)足式（8）～（9）條件的邊點(diǎn):

其中:N(P1)為非零鄰點(diǎn)的個(gè)數(shù)；S(P1)為以P2、P3、…、P9為序時(shí)，這些點(diǎn)的值從0到1變化的次數(shù)。當(dāng)對(duì)所有邊界點(diǎn)標(biāo)記完后，將所有標(biāo)記點(diǎn)像素值變?yōu)?。反復(fù)進(jìn)行上述操作，直至沒(méi)有滿(mǎn)足標(biāo)記條件的像素點(diǎn)出現(xiàn)，此時(shí)剩下的點(diǎn)構(gòu)成本圖像區(qū)域的骨架，并將連通區(qū)域像素點(diǎn)的個(gè)數(shù)定義為Ni。由于本文圖片全由相機(jī)從高度為1 m 的位置拍攝，所以本文設(shè)定用0.04Ni代表裂縫的長(zhǎng)度，單位為厘米，骨架圖如圖7（c）所示。

4.3.2 裂縫的寬度

在4.3.1 節(jié)中得到裂縫骨架圖的基礎(chǔ)上，本文提出一種基于骨架方向上的裂縫寬度計(jì)算方法。

1）由于骨架圖上的裂縫圖像是單像素圖像，即骨架線圖像，求骨架線上每一點(diǎn)的切線方向。設(shè)M 為骨架線上的任意一點(diǎn)，則其八鄰域內(nèi)有兩個(gè)點(diǎn)。圖8（b）為點(diǎn)M 的八鄰域切線示意圖，N1、N2分別為點(diǎn)M的八鄰域中的兩個(gè)點(diǎn)，則點(diǎn)M的切線方向等于線段MN1的切線方向與MN2切線方向的均值，即

2）在計(jì)算出裂縫各點(diǎn)的切線后，再計(jì)算骨架線上各點(diǎn)的法線，法線與裂縫左右邊界點(diǎn)的距離（歐氏距離）即為裂縫的寬度。裂縫的左右邊界由二值圖確定。

圖8 細(xì)化算法和切線示意圖Fig.8 Schematic diagrams of refinement algorithm and tangent

4.4 計(jì)算結(jié)果分析

近幾年研究者提出多種檢測(cè)裂縫長(zhǎng)寬度的方法，具有代表性的為以下兩類(lèi):1）王睿等［20］通過(guò)計(jì)算裂縫的面積和周長(zhǎng)計(jì)算裂縫寬度，這種方法也是目前用得最多的一種方法。2）元大鵬［21］采用縱向切割裂縫取上下邊界中點(diǎn)，再連接中點(diǎn)計(jì)算長(zhǎng)度，接著采用鄰域擴(kuò)張的思想來(lái)計(jì)算裂縫的寬度，即:選取裂縫的一個(gè)內(nèi)部點(diǎn)，向兩側(cè)擴(kuò)張直至到裂縫邊界。計(jì)算4 個(gè)寬度方向上擴(kuò)張的像素點(diǎn)個(gè)數(shù)，取所有內(nèi)部點(diǎn)寬度的最小值作為裂縫區(qū)域的寬度。

如圖9 所示:裂縫1 為縱向裂縫，人工測(cè)量長(zhǎng)度為49.90 cm，寬度為1.05 cm；裂縫2 為橫向裂縫，人工測(cè)量長(zhǎng)度為109.86 cm，寬度為0.36 cm。

圖9 裂縫圖示例Fig.9 Crack diagram examples

將本文計(jì)算裂縫1 和裂縫2 長(zhǎng)寬度的方法與以上兩種方法對(duì)比，測(cè)量結(jié)果對(duì)比如表6～7 所示。從表6～7 可看出，文獻(xiàn)［20］方法由于是通過(guò)面積和周長(zhǎng)計(jì)算裂縫寬度，只能處理紋理簡(jiǎn)單的裂縫，對(duì)復(fù)雜的裂縫效果不好。文獻(xiàn)［21］中計(jì)算長(zhǎng)度的方法準(zhǔn)確率與本文算法相差不多，但由于文獻(xiàn)［21］方法是在灰度圖上計(jì)算裂縫寬度的，沒(méi)有有效地定位裂縫的邊界，這個(gè)誤差不可避免，因此本文算法精度更高；而且本文算法采用骨架線求法線的方法，考慮了裂縫走勢(shì)的情況，也是寬度計(jì)算準(zhǔn)確的一大原因。

表6 裂縫1測(cè)量結(jié)果對(duì)比Tab. 6 Comparison of crack1 measurement results

表7 裂縫2測(cè)量結(jié)果對(duì)比Tab. 7 Comparison of crack2 measurement results

為了進(jìn)一步驗(yàn)證利用骨架提取算法對(duì)裂縫長(zhǎng)度和寬度計(jì)算的精度，在100 張?jiān)瓐D上利用本文算法統(tǒng)計(jì)檢測(cè)結(jié)果與實(shí)際測(cè)量結(jié)果進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，100 張裂縫圖片長(zhǎng)度提取平均誤差為2.87%，寬度提取平均誤差為4.29%，這表明本文算法具有理想的計(jì)算能力。

5 結(jié)語(yǔ)

針對(duì)橋梁裂縫檢測(cè)問(wèn)題，提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的檢測(cè)方法對(duì)裂縫進(jìn)行訓(xùn)練，最終實(shí)現(xiàn)裂縫的分類(lèi)、定位和特征提取。

1）深度學(xué)習(xí)對(duì)樣本要求比較高，需要大量帶標(biāo)簽的數(shù)據(jù)集，才能保證模型的識(shí)別率，還可以防止過(guò)擬合現(xiàn)象的發(fā)生，面對(duì)橋梁裂縫數(shù)據(jù)集缺失的問(wèn)題，實(shí)地拍攝并制作了橋梁裂縫數(shù)據(jù)集，但目前數(shù)據(jù)還遠(yuǎn)遠(yuǎn)不夠，開(kāi)展樣本收集整理工作將是未來(lái)主要任務(wù)之一。

2）為了保證其檢測(cè)方法能應(yīng)對(duì)各種復(fù)雜的情況，如光照的不勻、霧天等特殊天氣、橋梁上建筑物遮擋導(dǎo)致的光線不足等，本文提出了針對(duì)橋梁裂縫的一系列預(yù)處理方法，經(jīng)GoogLeNet 網(wǎng)絡(luò)驗(yàn)證，訓(xùn)練集準(zhǔn)確率提升了1.91%，測(cè)試集準(zhǔn)確率提升了3.07%，表明橋梁裂縫預(yù)處理的必要性。

3）通過(guò)將大卷積核變成小卷積核的操作分別修改GoogLeNet的inception 層和網(wǎng)絡(luò)開(kāi)頭，再加上裁去第七個(gè)及以后的inception 層，放入到原始數(shù)據(jù)集進(jìn)行訓(xùn)練，網(wǎng)絡(luò)測(cè)試集準(zhǔn)確率提升3.13 個(gè)百分點(diǎn)，訓(xùn)練時(shí)長(zhǎng)縮短為原來(lái)的64.6%，表明改進(jìn)GoogLeNet 訓(xùn)練裂縫圖片具有更高的準(zhǔn)確率和更快的訓(xùn)練速度。

4）采用滑動(dòng)窗口將圖片放入訓(xùn)練好模型文件，并用方框框出預(yù)測(cè)是裂縫的圖片，相對(duì)于整張圖片送入網(wǎng)絡(luò)，裂縫定位更加精確。

5）采用骨架提取算法，提取裂縫骨架圖，將定位好的裂縫二值圖處理為骨架圖，并利用裂縫二值圖和骨架圖像素點(diǎn)的個(gè)數(shù)計(jì)算裂縫的長(zhǎng)度和寬度。統(tǒng)計(jì)100 張圖片的計(jì)算結(jié)果，長(zhǎng)度提取平均誤差為2.87%，寬度提取平均誤差為4.29%，這表明本文算法具有理想的計(jì)算能力。